📄 不配对帧也能做音色转换：用共享状态做局部平移的 StateVC
英文题目：Shared-State Local Translations for Training-Free Voice Conversion
标签：#语音转换 | #信号处理 | #自监督学习 | #语音
评分：7.8/10 | 创新 1.3/2 | 技术严谨 1.1/1.5 | 实验充分 1.2/1.5 | 清晰度 0.8/1 | 影响力 0.9/1.5 | 开源 1.2/1.5 | 可复现 0.3/0.5 | 工程/实践 1/1.5
👥 作者与机构
- Yangyang Qu：机构信息未在 arXiv HTML 中可靠披露
- Michele Panariello：机构信息未在 arXiv HTML 中可靠披露
- Massimiliano Todisco：机构信息未在 arXiv HTML 中可靠披露
- Nicholas Evans：机构信息未在 arXiv HTML 中可靠披露
📌 核心摘要
单样本免训练语音转换的输入是内容不同的源与参考语音，输出是保留源语言内容但贴近参考音色的波形，难点在于内容失配时无法假设可靠帧对应。所提StateVC先用冻结WavLM-Large第6层提取帧表示并按源时序标准差筛选路由子空间，再将源与参考池化帧联合拟合对角高斯混合模型得到共享状态并计算时域平滑后验路由。接着在原始1024维空间按路由加权估计各状态源均值与参考均值之差作为局部平移，欠支撑状态回退为utterance级全局均值差。最后源帧以自身后验加权组合各状态平移并经冻结HiFi-GAN合成，使不同帧获得不同局部更新。与先配准后变换的最近邻与最优传输类方法不同，该机制无需显式帧匹配即可在同一状态内比较分布。在LibriSpeech one-shot协议评测下，StateVC的WER为8.01%，低于MKL-VC的WER 8.22%。结论目前仅在英语朗读的一参考一源协议下验证，跨语言与强风格迁移尚未验证。原文未披露训练、推理或部署成本。
🔗 开源与复现资源
代码相关资源：https://github.com/eurecom-asp/StateVC — 链接可访问（HTTP 200）
复现相关资源：https://github.com/eurecom-asp/StateVC_listening_samples — 链接不可用（HTTP 404）
第三方资源：https://github.com/bshall/knn-vc — 链接可访问（HTTP 200）
第三方资源：https://huggingface.co/speechbrain/spkrec-xvect-voxceleb — 暂时无法访问
第三方资源：https://huggingface.co/openai/whisper-base — 暂时无法访问
可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。
🧭 深度解读
输入是什么，目标是什么，哪些信息必须保留？
这篇解读的输入是标题为共享状态局部平移的训练无关语音转换论文，目标是让刚进入语音音频领域的研究生能复述方法步骤和实验条件。必须保留的信息包括任务定义、表示来源、状态构造方式、平移计算方式、合成方式、数据集配对规模、评价指标方向和关键超参数，输出是 1 篇可核对的技术解读。语音转换的任务是改变源语音的说话人特征，使其听起来像参考说话人，同时保留源语音的语言内容。
例如源说话人说今天天气不错，参考说话人只提供一段音色样本，转换后应仍是今天天气不错这句话，但音色更接近参考人。这里的难点是 1 次转换只给一条参考语音，且参考内容与源内容可能完全不同，因此不能假设源的第几帧对应参考的第几帧。训练无关的含义是不训练专门的转换神经网络，只利用已有的自监督表示和声码器，在测试时对每 1 对源与参考做统计计算。
评价需要同时看内容是否保留和音色是否接近，前者常用语音识别的词错误率和字错误率，越低越好，后者常用说话人向量余弦相似度和人工听感评分，越高越好。
已有路线如何建立源与参考的关系？
论文把已有自监督表示的转换方法按如何建立源与参考关系来区分。最近邻类方法为每个源帧在参考帧中找最相似的帧直接替换或加权，例如 kNN-VC。基于帧的最优传输方法在源帧集合与参考帧集合之间求传输关系，例如 kkDOT。线性转换方法先用最近邻配对帧再拟合一个全局线性变换，例如 LinearVC。分布级映射方法估计整体分布的变换，例如 MKL-VC。
共享低秩表示方法用说话人相关的线性变换，例如 USCF。经典高斯混合方法从说话人相关或平行训练数据学习多分量映射，而 SSL-GMMVC 先配对源与参考的自监督表示再拟合高斯混合得到局部仿射映射。论文指出这些路线留下一个未回答的问题：能否不先把源帧和参考帧一一配对，就估计出局部的源到参考变化。
StateVC 的回答是把两侧帧混合在一起拟合一个高斯混合，让同一个分量同时看到两侧数据，从而在同一状态内直接比较均值，不需要先做帧级匹配，也不需要先各自建模再匹配分量。
为什么内容不同会导致帧配对不可靠？
设想源说的是数字序列，参考说的是新闻句子，即使两者音色不同，它们的音素序列和时长也不同。如果硬性为每个源帧找一个参考最近邻，可能把源的元音帧匹配到参考的辅音帧，只是表示距离偶然较近。这种匹配会把错误的音色方向带入转换，增加发音含糊和识别错误。论文的假设是表示相近的源帧可以用共同的平移近似其到参考的变化，因此更合理的做法是在表示空间中定义局部区域，在每个区域内估计一个统计平移。
举例来说，所有类似啊的帧落入同一状态，所有类似丝的帧落入另一状态，每个状态内部再看参考在该区域的均值相对源均值偏向哪里。这样做不需要知道源的某个具体时刻对应参考的哪个时刻，只需要两者在同一区域都有足够样本即可估计方向。后续的状态定义、平滑、均值估计和加权更新都是为了实现这一思想，同时处理样本不足和帧间抖动。
StateVC 让一个样本走完哪几步？
以 1 对源语音和参考语音为例，流程可分为两大阶段。第一阶段是共享状态定义与分配：冻结的 WavLM 编码器分别提取源帧序列和参考帧序列，维度为 1024 维；按源帧时间标准差选出 24 维组成紧凑路由空间；把两侧紧凑表示拼接后拟合一个对角协方差的高斯混合，用贝叶斯信息准则选择状态数，并对路由后验做时域平滑。第二阶段是局部平移估计与帧更新：在原始 1024 维空间中按平滑后验计算每个状态的源均值和参考均值，相减得到状态平移。
若某状态两侧后验质量不足则回退到整句均值差；每个源帧按自身后验加权组合所有状态平移，乘以转换强度后加回原表示；最后用冻结的 HiFi-GAN 声码器合成转换波形。整个过程不更新神经网络参数，每个 utterance 对独立拟合自己的高斯混合。下面先看总览图建立空间位置感，再进入各组件的计算细节。
本图展示 2 阶段划分与数据流向，左侧为波形到表示与维度选择，中间为共享高斯混合与状态数选择，右侧为均值估计与加权合成，阅读时注意冻结标记只出现在编码器和声码器处。
看图路径： 1. 先从左向右跟踪源波形和参考波形经过冻结 WavLM 得到 Hs 与 Hr 的主路径；2. 观察中间排序选择模块如何从源选出索引集并同时截取两侧得到 Zs 与 Zr；3. 比较右侧阶段二中局部平移估计与后验加权更新如何汇入 HiFi-GAN 合成转换语音
论文图 1。原论文 Figure 1:：“Overview of StateVC. Source and reference representations jointly define a common set of shared states through a pair-specific GMM in a compact routing space.”。
从像素可见左半部分为第一阶段，源与参考波形进入同一蓝色 WavLM 框，输出绿色与蓝色帧矩阵，中间排序选择框输出索引集并分别截取得到低维矩阵，再进入共享高斯混合与状态数选择框，输出两组后验矩阵。右半部分为第二阶段，上方小框完成状态加权均值与平移计算，下方小框完成加权组合与 HiFi-GAN 合成，最右侧图例明确状态数、帧数、维度取值为 1024 与 24。该图支持后文符号理解：低维只管分状态归属，高维才管平移大小，路由矩阵是连接两者的权重。
状态如何定义，帧如何分配到状态？
第一步是得到帧表示。冻结 WavLM 编码器输出源矩阵与参考矩阵，行数为帧数，列数为 1024。论文使用第六层 WavLM-Large 表示。第二步是构造紧凑路由空间。对源的每个维度计算时间标准差，保留标准差最大的 24 个维度索引，再用同一索引截取参考表示。
这样两侧处于同一 24 维坐标系，后续混合拟合不会因维度选择不一致而错位。低维表示只用于定义状态和计算路由，不用于最终平移。第三步是混合拟合一个共享高斯混合。把两侧低维帧拼接成一个集合，拟合候选分量数不超过上限的高斯混合，每个分量采用对角协方差。候选模型按硬分配后每个状态至少拥有最少混合帧数过滤，再按贝叶斯信息准则选最低者，其分量数记为实际状态数。
这种做法让每个分量同时由两侧数据决定，因此天然共享，不需要事后再匹配。第四步是计算路由概率并平滑。每帧对每个状态的后验即为路由概率，再在长度为 5 帧的窗口内平均并重新归一化，边界用截断索引处理，目的是减少逐帧跳变。
共享状态 × 路由概率： 共享状态负责把源和参考表示划分到同一组局部区域，避免先配对帧再分组；路由概率负责给出每一帧属于每个状态的后验权重，决定该帧参与哪些状态统计和接受多少对应平移；两者组合使同一组状态既能汇集两侧统计，又能让不同帧得到不同的局部更新。
紧凑路由空间 × 原始表示空间： 紧凑路由空间只用 24 维高方差维度拟合高斯混合并计算路由，分工是降低状态估计的维度和噪声；原始表示空间保留 1024 维 WavLM 表示用于估计均值和平移，分工是保留合成所需的完整声学细节；两者搭配的理由是在稳定分区的同时不丢失转换精度。
共享高斯混合的数学形式是多个对角高斯的加权和，符号含义是混合权重、均值向量与对角方差，输入是拼接后的低维帧。
\[p(z)=\sum_{k=1}^{K}\pi_{k}\mathcal{N}\left(z;\boldsymbol{\nu}_{k},\operatorname{diag}(\boldsymbol{\sigma}_{k}^{2})\right).\]该公式的计算目标是描述混合后表示的分布形态，原文明确用对角协方差参数化，实现上是对每个候选分量数拟合并按准则选择，不涉及神经网络梯度。
每个状态的平移如何计算，每帧如何组合？
状态统计回到原始 1024 维空间。用平滑后的路由概率对源帧和参考帧分别做加权平均，得到每个状态的源均值与参考均值，以及两侧的总后验质量。若两侧质量都达到阈值，则该状态平移定义为参考均值减源均值；否则用整句全局均值差作为回退，避免小样本估计噪声过大。全局均值是该 utterance 所有帧的算术平均。
得到每个状态的平移后，每个源帧的更新量是所有状态平移按该帧路由概率的加权和，再乘以转换强度后加回原帧。转换强度取值在 0 到 1 之间，最终系统取 1。因为权重随帧变化，不同帧会得到不同的组合更新，这就是论文所说的软路由。最后把更新后的源表示送入冻结的 WavLM 条件 HiFi-GAN 合成波形，该声码器随 kNN-VC 发布。
状态内均值平移 × 后验加权帧更新： 状态内均值平移负责给出每个局部区域从源均值指向参考均值的方向和大小；后验加权帧更新负责按源帧的路由概率把多个状态平移线性组合后加回源帧；组合的意义是把离散的分区变成对每帧连续可变的局部变换。
状态加权均值的符号包括总后验质量与加权均值，输入是原始高维帧与平滑路由，目标是得到可相减的同状态两侧中心。
\[M_{q,k}=\sum_{i=1}^{T_{q}}\hat{\gamma}_{i,k}^{(q)},\quad\boldsymbol{\mu}_{q,k}=\frac{\sum_{i=1}^{T_{q}}\hat{\gamma}_{i,k}^{(q)}H_{q}[i]}{M_{q,k}},\quad q\in\{s,r\}.\]状态平移分两种情况，充足样本用状态均值差，不足样本用全局均值差，阈值由最小后验质量控制。
\[\boldsymbol{\Delta}_{k}^{\star}=\begin{cases}\boldsymbol{\mu}_{r,k}-\boldsymbol{\mu}_{s,k},&M_{s,k}\geq m_{\min}\ \text{and}\ M_{r,k}\geq m_{\min},\\[2.84526pt] \boldsymbol{\mu}_{r}^{\mathrm{g}}-\boldsymbol{\mu}_{s}^{\mathrm{g}},&\text{otherwise},\end{cases}\]帧更新把源帧与加权平移相加，强度系数控制转换程度，输出保持与输入同维度以便送入声码器。
\[H^{\prime}_{s}[t]=H_{s}[t]+\lambda\sum_{k=1}^{K_{\mathrm{e}}}\hat{\gamma}_{t,k}^{(s)}\boldsymbol{\Delta}_{k}^{\star},\]论文还比较了更灵活的变换：在均值平移之外增加按维度缩放的对角变换，以及在连续 2 维块上考虑块内协方差的高斯最优传输块变换，但最终系统仍采用均值平移，因为更灵活的变换只带来很小的相似度提升却增加了词错误率。
没有训练阶段时，真实计算是什么？
本研究没有训练或微调神经参数，WavLM 编码器与 HiFi-GAN 声码器全程冻结。因此本节没有优化器、学习率、梯度路径或早停可报告，论文也未给出训练资源与训练时长的缺项说明应明确指出：原文未报告训练成本，因为不存在任务专用训练。真实计算发生在每次转换时。对当前源参考对，计算包括按标准差排序选择维度、在 24 维拼接数据上拟合多个候选高斯混合并按贝叶斯信息准则选择、计算并平滑后验、加权估计高维均值与平移、加权更新源帧、前向声码器合成。这些都是推理时的统计估计与前向计算，不是反向传播。
训练无关转换 × 冻结声码器： 训练无关转换指不训练任务专用转换网络，每次只对当前源参考对拟合小规模高斯混合并计算均值；冻结声码器指直接调用随 kNN-VC 发布的 WavLM 条件 HiFi-GAN 把更新后表示合成波形，参数不更新；两者搭配使整个流程无需梯度训练，只有推理时的小规模统计估计和前向合成。
需要区分的是无训练不等于确定性求解。高斯混合拟合涉及初始化与模型选择，声码器前向也可能包含自身实现细节，论文未声称输出确定，也未报告多次运行的方差。复现时应把每次拟合视为对当前对的搜索过程，固定随机种子并记录实际选出的状态数，而不能把冻结参数理解为每次输出逐比特相同。
数据配对、基线条件与指标如何组织？
实验按待回答的问题组织：内容是否保留、音色是否接近、共享定义是否优于分开定义再匹配、软路由是否优于硬路由、变换复杂度和超参数如何权衡。数据来自 LibriSpeech 测试干净集，构造 7800 个跨说话人对：40 个说话人每人取 5 条源语音，每条源与来自其余每个说话人的一条参考配对。所有系统使用相同源参考对，保证比较条件一致。基线包括学习型零样本参考 FreeVC 与 FreeVC-S，以及训练无关方法 LinearVC、kkDOT、kNN-VC、USCF、SSL-GMMVC 与 MKL-VC。
为与评估设置兼容，采用与原论文兼容的配置，例如 MKL-VC 取参数 2，kkDOT 取 4，USCF 取特定距离与秩，SSL-GMMVC 取交叉对角且分量为 1。内容保持用同一 Whisper 基础模型的词错误率与字错误率衡量，越低越好；说话人相似度用语音大脑说话人向量余弦相似度衡量，越高越好；人工评价用 20 名听众对相同 40 对源参考的输出打分，自然度为 1 到 5 分，感知相似度为 1 到 4 分，分数按听众与对子平均。StateVC 的关键超参数包括 1024 维第六层表示、24 维路由、候选上限 4、最小分配帧数 20、最小后验质量 20、转换强度 1、平滑窗 5 帧。
下面的配置表整理数据规模与关键设置，阅读时注意配对规模与超参数分别回答可比性与可复现性。
本表用于核对复现条件是否一致，重点看配对总数是否覆盖全部跨说话人组合，以及路由维度与状态上限是否与方法节一致，指标方向在表后结果节再展开。
| 条件 | 指标或参数 | 取值 | 说明 | 来源对象 |
|---|---|---|---|---|
| 数据配对 | 跨说话人对数 | 7800 | 40 人每人 5 条源与其他说话人参考配对 | LibriSpeech 测试干净集 |
| 数据配对 | 每人源条数 | 5 | 与上行共同决定总数 | LibriSpeech 测试干净集 |
| 方法设置 | 原始维度 | 1024 | 第六层表示维度 | StateVC |
| 方法设置 | 路由维度 | 24 | 高方差维度选择 | StateVC |
| 方法设置 | 候选上限与强度 | 4，1 | 状态上限与转换强度 | StateVC |
上述配置表明评估覆盖较大规模跨说话人组合，且方法侧的维度与强度取值明确，复现时应先按相同配对与超参数跑通，再讨论指标差异；若改动任一超参数，需要重新报告状态数分布与识别错误变化，不能直接沿用本文数字。
主结果显示内容保持与音色相似如何权衡？
主结果回答在相同配对下哪个系统同时保持内容并接近目标音色。比较问题是内容错误率最低者是否牺牲过多相似度，公平条件是所有系统用相同 7800 对与相同识别与向量流程，指标方向是词错误率与字错误率越低越好，相似度与听感分越高越好。下表保留实际可运行的训练无关强基线与学习型参考，StateVC 为实际可部署策略，不含事后最优或 oracle。
| 条件 | 指标 | MKL-VC | StateVC | 比较对象 |
|---|---|---|---|---|
| 7800 跨说话人对 | 词错误率 | 8.22% | 8.01% | MKL-VC 与 StateVC |
| 7800 跨说话人对 | 字错误率 | 3.37% | 3.22% | MKL-VC 与 StateVC |
| 7800 跨说话人对 | 向量相似度 | 0.9456 | 0.9512 | MKL-VC 与 StateVC |
| 40 对人工听感 | 自然度 | 3.100 | 3.550 | MKL-VC 与 StateVC |
| 40 对人工听感 | 感知相似度 | 2.450 | 2.750 | MKL-VC 与 StateVC |
表后解释需要同时说明收益与代价。StateVC 在 7800 对上取得最低的词错误率与字错误率，数值分别为 8.01% 与 3.22%，向量相似度为 0.9512；相对 MKL-VC，词错误率从 8.22% 降至 8.01%，字错误率从 3.37% 降至 3.22%，相似度从 0.9456 升至 0.9512。人工平均分显示 StateVC 在参评系统中感知相似度最高，在训练无关系统中自然度最高。未胜出的方面也要指出：向量相似度最高的并不是 StateVC，原文表格中 LinearVC 与 kNN-VC 的相似度更高，但它们的词错误率分别高达 47.65% 与 37.50%，说明高相似度伴随严重的内容损失，不能只看单一指标。
学习型 FreeVC 系列自然度仍高于 StateVC，表明训练无关在自然度上仍有差距。总体判断是 StateVC 在内容保持上报告最优，并在相似度上保持竞争力，但这只是该协议与指标下的结果，不涉及延迟与鲁棒性承诺。
共享定义、软路由与变换复杂度各自带来什么？
消融回答 3 个设计是否必要：状态应联合定义还是分开拟合再匹配，帧更新应用软加权还是取最大状态，更灵活的变换是否值得。公平条件是在固定块变换下比较状态定义与路由方式，在固定其他设置下比较变换类型，指标方向与主结果相同。下表保留实际可运行的变体，不用搜索最优代替可部署收益。
| 条件 | 指标 | 分开加匈牙利匹配 | 共享高斯混合 | 比较对象 |
|---|---|---|---|---|
| 固定块变换 | 词错误率 | 13.82% | 8.44% | 分开匹配与共享定义 |
| 固定块变换 | 字错误率 | 6.60% | 3.48% | 分开匹配与共享定义 |
| 固定块变换 | 向量相似度 | 0.9541 | 0.9540 | 分开匹配与共享定义 |
| 固定块变换 | 词错误率 | 9.14% | 8.44% | 硬路由与软路由 |
| 固定块变换 | 字错误率 | 3.86% | 3.48% | 硬路由与软路由 |
本图展示灵敏度与设计分析，4 个子图分别对应转换强度、候选上限、参考时长与变换类型，阅读时先确认左右纵轴再看阴影选定区，避免把词错误率下降误读为变差。
看图路径： 1. 对照每个子图左右纵轴区分蓝色说话人相似度与橙色词错误率的变化方向；2. 观察转换强度与参考时长子图中相似度上升而词错误率何时开始抬头；3. 比较状态变换子图中从无变换到均值再到对角与块变换的两条曲线的斜率差异
论文图 2。原论文 Figure 2:：“Sensitivity and design analyses for (a) conversion strength \lambda, (b) candidate-state limit K_\max, (c) reference duration, and (d) state transformation.”。
从像素可见子图横轴分别为强度系数、候选上限、时长与变换名称，蓝色相似度曲线总体向上，橙色词错误率曲线在强度与变换子图中后期上扬，阴影指示最终选用的强度为 1、上限为 4 与均值变换。结合数字，共享定义相对匈牙利匹配把词错误率从 13.82% 降至 8.44%，字错误率从 6.60% 降至 3.48%，相似度基本持平为 0.9541 对 0.9540；软路由相对硬路由把词错误率从 9.14% 降至 8.44%，字错误率从 3.86% 降至 3.48%，相似度从 0.9556 略降至 0.9540。变换比较显示更灵活的变换只带来很小的相似度增益，而词错误率从均值的 8.01% 升至对角的 8.36% 与块的 8.44%。
硬路由 × 软路由： 硬路由只取后验最大状态的变换输出，分工是决策清晰但帧间可能跳变；软路由按后验概率加权组合多个状态的变换，分工是平滑过渡并保留不确定性；论文在固定共享状态和块变换下比较两者，支持软路由在词错误率上更优。
灵敏度方面，相似度随转换强度增大而上升，增大候选上限轻微提升相似度但增加词错误率，更长参考语音主要提升相似度。最终选用均值变换正是因为它已捕获大部分相似度增益且词错误率代价最小。
哪些边界尚未验证？
论文明确指出当前评估限于英语 LibriSpeech 在报告的 1 次协议下，未覆盖其他语言、噪声、歌声或长时参考之外的泛化。人工评价仅基于相同 40 对源参考，每系统由 20 名听众打分并平均，样本量有限，不能推广到全部 7800 对的听感。资源方面，原文未测量误判率、延迟、实时因子或计算开销，因此不能承诺这些量得到改善；总体趋势不等于每组配对都成立，个别内容差异大的对子仍可能出现状态支撑不足而回退到全局均值差。
方法层面，状态没有语言学解释，不应把某个状态理解为固定音素；维度选择依赖源的时间标准差，若源本身过短或变化很小，选出的路由维度可能不稳定。变换仅比较到块级最优传输，未验证更深的非线性映射，缺失证据不应视为技术错误，相关性也不应直接当作因果。
复现先做什么，代码与样本当前是否可用？
复现应先准备相同数据划分与相同评价流程，再运行方法。第一步按原文构造相同 7800 对，保证源参考配对一致；第二步安装冻结的第六层 WavLM-Large 表示提取、Whisper 基础识别流程、说话人向量流程与冻结 HiFi-GAN 声码器；第三步按超参数设置路由维度 24、候选上限 4、最小帧数 20、最小后验质量 20、强度 1、平滑窗 5 帧，对每对独立拟合共享高斯混合并记录实际选出的状态数；第四步先复现主结果的词错误率、字错误率与相似度，再复现共享与分开定义、软硬路由的对照。
资源状态是正文开源声明的唯一依据：方法代码链接当前可用，状态码为 200，可以写已公开；kNN-VC 第三方代码链接当前可用；听感样本链接当前不可用，状态码为 404，复现人工评价时不能依赖该链接；说话人向量与 Whisper 模型的第三方链接本次未能确认可达，需要自行按原文模型名称另行准备并记录版本。遇到实现缺项时，例如高斯混合初始化与贝叶斯信息准则的具体搜索网格，应固定种子并如实报告，不能从模型名称推定实现细节。
何时值得尝试这种共享状态思路？
当任务满足 3 个条件时值得尝试：一是只有一条参考且内容不一致，无法做可靠帧对齐；二是已有高质量自监督表示与声码器，不希望训练新网络；三是更看重内容保持，愿意用小幅相似度代价换取更低识别错误。StateVC 的价值在于把配对问题转化为共划分问题，用混合拟合让两侧在同一状态内可比，再用后验加权实现逐帧可变的局部平移。复现与扩展时，建议先验证状态数分布与回退比例，观察多少帧实际依赖全局均值差。
再验证参考时长与转换强度的权衡，根据应用选择强度；最后再考虑是否引入更灵活的块变换，因为原文证据显示其收益有限而内容代价明确。若要超出原文结论，还需补充跨语言、噪声条件与延迟测量的验证，不能仅凭当前英语朗读结果推广。
📎 论文与评分元数据
排名：前25% | 文档类型：方法研究 | arXiv 原文
⚖️ 评分明细
评分属于系统判断，不是论文实验结果；八维数值与总分见页首，原始审计记录保留在后端。
评分规则：type-aware-v1
评分模型：muse-spark-1.3-contributor
评分请求协议：openai_responses