僧伽罗语语音识别为什么难：从隐马尔可夫模型到自监督预训练的综述解读

📄 僧伽罗语语音识别为什么难：从隐马尔可夫模型到自监督预训练的综述解读

英文题目：Automatic Speech Recognition for Low-Resource Sinhala: A Critical Review of Methods, Challenges, and Future Directions

标签：#语音识别 | #文献综述方法 | #低资源 | #跨语言 | #多语言

评分：5.7/10 | 创新 1/2 | 技术严谨 1/1.5 | 实验充分 0.7/1.5 | 清晰度 0.7/1 | 影响力 1/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 1/1.5

👥 作者与机构

• Chanuka Dinuwan：机构信息未能从 arXiv PDF 文本可靠映射
• Sanath Jayasena：机构信息未能从 arXiv PDF 文本可靠映射
• Buddhika Karunarathne：机构信息未能从 arXiv PDF 文本可靠映射

📌 核心摘要

僧伽罗语自动语音识别要把连续语音波形转写成僧伽罗语文字，输入是朗读、电话交互语音、广播和宗教朗读等录音，输出是词或字符序列。难点在于最大公开标注语料 OpenSLR-52 仅约 224 小时且为朗读、黏着形态造成词形爆炸、54 个音素与复杂辅音丛难以区分、主宾谓语序增加长距离依赖，以及口语与书面语、方言和僧伽罗语英语混用差异大。早期链路用隐马尔可夫模型接高斯混合模型估计声学似然，经发音词典和二元语言模型解码，后续把后验估计换成深度神经网络、时延神经网络和双向长短期记忆网络以扩大时间上下文。端到端模型取消独立词典与强制对齐，用联接时序分类或晶格无关最大互信息目标直接从声学特征学习字符或音素序列，解码时可再融合外部语言模型。近期路线是先在大量无标注多语语音上做自监督学习得到通用声学表示，再用少量僧伽罗语标注语音微调线性分类头，僧伽罗语在 XLS-R 预训练中占比不足 0.1%，主要靠与泰米尔语、尼泊尔语和孟加拉语相近的语音结构迁移。在同一端到端晶格无关最大互信息架构与同一批 OpenSLR-52 录音上，只修正标注不一致后，大词汇量连续语音识别的词错误率从 28.55% 降到 23.38%，相对下降 18.1%，指标方向为越低越好。该结论只适用于朗读式大词汇量测试，对方言、噪声、会话和混用语音尚未验证。原文未披露训练、推理或部署成本。

🔗 开源与复现资源

• 第三方资源：https://huggingface.co/spaces/hf-audio/open_asr_leaderboard — 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

这篇综述要解决什么输入和输出问题

这篇论文研究的是僧伽罗语自动语音识别，也就是输入一段僧伽罗语语音波形，输出对应的文字转写。评价主要用词错误率，即识别错的词占参考文本总词数的比例，数值越低越好。僧伽罗语有 1600 多万使用者，是斯里兰卡官方语言之一，但已公开的最大朗读语料 OpenSLR-52 只有约 224 小时，与英语、普通话常用的上 10000 小时量级相差两个数量级。论文把困难归为 4 类：总量少、多样性差、领域窄、没有统一基准。总量少指朗读数据不足。

多样性差指偏向科伦坡标准口音，缺少中部、南部、乌沃等方言；领域窄指多为朗读正式书面语，缺少电话、噪声、重叠语音、儿童语音和日常口语；没有统一基准指各研究用自己的切分和测试集，数字不能直接比。语言本身也增加难度：文字是基于婆罗米文的元音附标文字，有 18 个元音、36 个辅音，论文强调 54 个音素的复杂音系，包括卷舌音、前鼻化辅音、音长对立、送气塞音和复辅音；形态是黏着语，一个词干加后缀和附着成分可派生出几百种形式，例子如 gihilla、yanne、giya。

句法是主宾谓结构，动词在分句最后，携带时、体、格等重要信息，从左到右的语言模型在看到动词前容易误判结构；还有书面语与口语的双层体差异，以及城市口语中僧伽罗语与英语混用。读完这些条件，才能理解后文为什么小词表数字识别和大词表连续识别的词错误率完全不在同一比较平面上。

此前低资源语音研究走了哪些路线

论文把僧伽罗语放在低资源语言的大背景里，并用泰米尔语、马拉雅拉姆语、印地语和非洲语言做参照，而不是只罗列僧伽罗语单点结果。早期通用路线是隐马尔可夫模型加高斯混合模型，用手工梅尔频率倒谱系数做特征，用 HTK、CMU Sphinx、Kaldi 等工具实现，2010 年代中期之前是主流。随后是深度神经网络混合路线，用神经网络估计隐马尔可夫状态后验，再发展出时延神经网络和双向长短期记忆网络以利用更长上下文。

端到端路线则去掉独立的发音词典和 n 元语言模型，用单个网络从音频直接生成文本，包括联结时序分类、注意力编码器解码器、循环神经网络 transducer，以及后来的语音 Transformer 和 Conformer。论文引用 Conformer 在 LibriSpeech 上无语言模型时为 2.1%/4.3%，加外部语言模型后为 1.9%/3.9%，用来说明高资源英语与僧伽罗语结果所处的数据条件完全不同。自监督路线是近年重点：先在大量无标注音频上预训练，再用少量标注数据微调，代表有 wav2vec 2.0、HuBERT、WavLM、跨语言的 XLSR-53 和 XLS-R、弱监督的 Whisper、覆盖 1107 种语言的 Massively Multilingual Speech。

论文对这些路线的比较强调输入、目标和监督是否相同：只有架构和语料都固定、只改变标注质量的对照，才能谈数据质量的因果作用；改变架构同时改变预训练数据的增益不能与之直接换算。

僧伽罗语难在哪里：形态、句法与数据错位

论文把僧伽罗语特有问题拆成 3 层。第一层是音系到字形的映射复杂。G2P 即字音转换，负责把文字转成音素序列，是构建发音词典的前提。Wasala 等人在 2006 年用基于规则的方法处理元音插入等现象，达到词级音素准确率 98%，后续工作又处理元音附标与复辅音的交互。Weerasinghe 等人在 2009 年做的基于语料的词典进一步收录口语变体，以建模实际发音中的弱化和省略。

第二层是形态爆炸带来开放词表问题。即使有 200 小时训练语料，测试中仍会出现训练没见过的屈折形式，n 元语言模型会给零概率或极低概率，解码只能靠声学，恰好在元音时长等易混边界上最不可靠。论文还提到主宾谓语序使动词后置，左到右模型在分句前部缺少句法约束。第 3 层是训练与部署错位。多数数据集是朗读文学僧伽罗语，而部署是客服、医疗、教育等口语场景，口语有系统的元音弱化、辅音删除和形态简化，还伴随英语混用。

举例来说，词干 bat 在不同格下仅差后缀元音，若声学模型把元音时长判错，又没有语法范畴的上下文约束，就会产生格标记替换错误。这就解释了为什么论文反复强调上下文建模和领域外测试，而不只看实验室朗读测试集上的词错误率。

综述覆盖的方法全景与分工

论文按时间把僧伽罗语方法分成 4 段：2006-2015 年的基础工作，包括语料、字音转换和隐马尔可夫识别器；OpenSLR 语料出现后的语料建设；2018-2021 年限定词表的命令和领域识别；2020-2025 年端到端和预训练模型。整体流程可以沿一个样本理解：输入 16 kHz 原始波形，先经特征提取得到帧级表示，再经声学模型得到音素或字符后验，最后经词典和语言模型解码成词序列。

在传统路线中，这 3 段是独立模块；在端到端路线中，一个网络直接学从音频到字符的映射，语言约束变成训练中隐式学到的部分；在自监督路线中，先用无标注音频学通用表示，再用少量标注数据接联结时序分类头做微调。论文还单列上下文增强路线：外部语言模型浅融合、冷融合、深融合，以及用大语言模型对 N-best 假设重打分；子词切分如 SentencePiece 的字节对编码、单字元切分、马拉雅拉姆语实验中的音节字节对编码，以及针对僧伽罗语合字提出的字素对编码。

基于有限状态机的形态分析器；面向领域词表的上下文偏置。综述本身没有训练新模型，它的工作是把这些路线放在相同维度下比较：用了什么架构、用了多少标注数据、在什么领域和声学条件下测得什么词错误率。

传统声学建模组件如何处理输入

传统组件的输入是手工特征，输出是词序列，中间经过对齐和解码。隐马尔可夫模型把每个音素表示为从左到右的三状态链，用维特比算法在梅尔频率倒谱系数观测下搜索最优音素序列。高斯混合模型在每个状态下估计发射似然，但论文指出它难以表示人类听辨所需的非线性声学特性，也难以处理后缀边界的高协同发音和说话人基频曲线差异。

说话人自适应的例子是 Nadungodage 等人的最大似然线性回归实验，相对说话人无关基线提升 15-20%，但需要每个说话人的有监督自适应数据，限制了实际部署。动态时间规整做孤立词模板匹配的早期结果被用来给出模板方法的上限参照。进入神经网络混合后，深度神经网络、时延神经网络、时延神经网络加长短期记忆逐步增大上下文窗口。

Karunathilaka 等人 2020 年在科伦坡大学语言技术实验室僧伽罗语数据上的统一比较显示，随模型复杂度增加词错误率持续改善，时延神经网络最好，深度神经网络混合相对高斯混合有 23% 相对下降。论文据此判断，在该固定语料上瓶颈在声学建模，而不是其他环节，但这只是架构变化带来的增益，不能与后文标注修正带来的增益直接比较大小。

隐马尔可夫模型 × 高斯混合模型： 隐马尔可夫模型负责时间序列建模，把每个音素看成从左到右的三个状态并用维特比算法找最优音素序列；高斯混合模型负责在每个状态下估计声学特征的发射似然。二者搭配后，前者管时序对齐，后者管单帧声音像哪个音，多了对连续语音按帧到音素的完整解码能力，但都依赖手工梅尔频率倒谱系数，对说话人差异和后缀边界协同发音建模能力弱。

深度神经网络 × 隐马尔可夫模型： 深度神经网络负责估计隐马尔可夫模型状态后验概率，替代原来高斯混合模型的发射概率计算；隐马尔可夫模型继续负责时间动态和解码。前者带来非线性声学建模和更长上下文，后者保留时序结构，组合后在相同语料上比纯高斯混合显著降低词错误率，论文把这部分增益归因于声学建模瓶颈的缓解。

端到端与自监督组件如何省掉词典和对齐

端到端组件的目标是省掉独立声学模型、发音词典和 n 元语言模型的手工拼接。联结时序分类用单调对齐损失，对字符与帧之间的所有可能对齐求和，因此不需要强制对齐。注意力编码器解码器先用软注意力得到输入全局表示再逐字输出。循环神经网络 transducer 结合分类损失与预测网络，支持流式推理。Gamage 等人用 ESPnet 的端到端无词典最大互信息模型，在 40 小时 OpenSLR-52 数据上得到 28.55% 词错误率，同一数据下比时延神经网络混合基线差，说明数据量相同时端到端不自动占优。

自监督组件则改变训练数据的用法。wav2vec 2.0 的卷积特征编码器把原始波形变成隐表示，经乘积码本量化，Transformer 上下文网络在隐空间掩码约 50% 时间步并做对比预测，学到长时上下文表示。HuBERT 改用离线 k 均值聚类使训练更稳，WavLM 加入含噪混合去噪预训练。XLS-R 把跨语言自监督扩展到 128 种语言、最多 2,000,000,000 参数、436,000 小时。Whisper 用 680,000 小时弱监督从零训练编码器解码器。

Massively Multilingual Speech 在约 500,000 小时宗教朗读上预训练并为每种语言加适配器。论文强调 XLS-R 中僧伽罗语经 VoxLingua107 和 Common Voice 进入预训练，但占比不足 0.1%，僧伽罗语表示主要靠泰米尔语、尼泊尔语、孟加拉语等相似音系迁移，这正是语言族预训练被看好的原因。

wav2vec 2.0 × 联结时序分类： wav2vec 2.0 负责用卷积特征编码器加 Transformer 上下文网络做掩码对比预训练，学到长时声学表示；联结时序分类负责在微调阶段把帧级表示对齐到字符序列，不需要强制对齐。前者解决无标注数据利用问题，后者解决帧到文本的单调对齐问题，组合后只需少量标注僧伽罗语数据即可做字符级预测，且不受固定词典限制。

Whisper × Massively Multilingual Speech： Whisper 负责用 680,000 小时弱监督多语言数据从零训练编码器-解码器模型，直接做语音到文本；Massively Multilingual Speech 负责用约 500,000 小时宗教朗读数据做 wav2vec 2.0 式预训练，再为每种语言加适配器做多语言识别。前者靠大规模弱监督，后者靠超大规模自监督加语言适配器，组合比较的意义在于说明语言族内预训练和适配策略对僧伽罗语这类低资源语言比全局平均指标更重要，不能只看 FLEURS 平均值推断会话场景效果。

预训练、微调与数据增强实际怎么算

论文没有自己训练大模型，它复述文献中已验证的训练和构造过程，初学者要分清哪一步更新哪些参数、监督从哪里来。XLS-R-300M 的僧伽罗语微调做法是加载预训练权重，加线性联结时序分类头，在 OpenSLR-52 上微调约 50 轮，学习率 3e-4，并用 SpecAugment 做时间和频率掩码。SpecAugment 在干净 LibriSpeech 上可降词错误率最高达 40%，在 Gamage 的无词典最大互信息系统中也是必要组件，但它只增加同域声学变化，不能解决跨方言和说话人多样性不足。

全量微调 300M 参数只用约 200 小时僧伽罗语数据，过拟合风险高，因此论文讨论参数高效微调：适配器在每层加约占总量 1-2% 的小瓶颈模块并冻结主干，MetaAdapter 实验显示用少 20 倍的可训练参数可达相近词错误率，对僧伽罗语约降到 3M 量级；低秩适应用两个低秩矩阵乘积表示权重更新，秩取 4 到 64，在不足 5 小时的极低资源语言上甚至超过全量微调，Whisper 解码器的交叉注意力和前馈层也被建议用低秩适应以避免灾难性遗忘。

文本转语音增强的思路是用 OpenSLR-30 的 4 个专业发音人数据微调合成模型，再用网上僧伽罗文本生成更多语音，Gronings 等语言的实验显示相对下降可达 25.5%，但合成语音缺少口语韵律和弱化特征，域内数字会偏乐观。噪声增强则直接把干净语音与环境噪声按不同信噪比混合，常用房间脉冲响应和 Musan 噪声，无需僧伽罗语特化即可改善噪声测试。

XLS-R × 微调： XLS-R 负责提供在 128 种语言、436,000 小时无标注语音上预训练的多语言表示，其中僧伽罗语占比不足 0.1%；微调负责在 OpenSLR-52 等僧伽罗语标注数据上加线性分类头并用 SpecAugment 训练约 50 轮。前者提供跨语言语音知识，后者把知识适配到僧伽罗语音素对比，组合后减少了从零训练的计算量，但主要依赖与泰米尔语等相似语言的迁移，而非僧伽罗语自身预训练量。

数据、切分与指标条件为何不可混比

理解实验结论必须先看数据和评测规则。训练侧最大公开语料是 OpenSLR-52，约 185,000 条、478 人、224 小时朗读语音，用在斯里兰卡分发的安卓应用录制，音素平衡句朗读，偏向受过教育的城市口音。OpenSLR-30 是 4 人、10,000 句的多说话人合成语料，本为语音合成而建，后被用作识别的数据增强起点。Mozilla Common Voice 僧伽罗语按版本只有 5-15 小时，FLEURS 僧伽罗语 12 小时且有明确训练、验证、测试切分，Voicer 平台提供会话风格和六领域意图数据。Warusawithana 等人发现 OpenSLR-52 存在长辅音和元音长度标记等转写不一致，带来约 15.9% 的词错误率相对增加，建议用其修正版。

指标侧统一用词错误率，越低越好，但论文反复提醒测试集不同则不可比：小词表孤立数字和命令任务的 4% 与广播新闻超过 40% 的结果差的不只是模型，还有词表大小、打分归一化、预处理和领域。论文还指出尚无僧伽罗语的 LibriSpeech 式干净朗读、TED-LIUM 式演讲、Switchboard 式会话三分基准，FLEURS 虽有标准切分但源自英译僧伽罗语，不适合评价自然口语。论文提到的 Hugging Face 上的 Open ASR Leaderboard 只是论文中提到的第三方链接，本次未能确认可达，不能当作作者已开源或当前可用的复现基准。

从限定词表到连续语音的主要数字

下面先看语料规模与限定任务的结果，比较问题是相同小词表约束下领域和通道如何影响词错误率，公平条件要求看清任务是数字、歌曲名还是银行命令，指标方向都是越低越好。下表整理原文直接报告的语料时长、说话人与任务类型，便于对照限定条件下词错误率的含义与适用范围。

表后解释需要连同限制一起读。小词表 4% 是在约 200 词孤立任务上用二元语言模型得到的，不能与大词表连续识别的 20%-30% 比较，论文明确说前者只证明隐马尔可夫路线可行，并发现卷舌与齿音混淆是主要错误。银行 4.15 小时数据的意义在于用领域约束把有效词错误率降下来，且覆盖电话通道和呼叫中心噪声。电话系统的关键反例是通道失配时词错误率相对训练条件恶化约 40%，说明在朗读语料上训练的模型对 8 kHz 采样和 G.711 压缩很敏感。

未胜出的范围是广播字幕系统在新闻语音上超过 40% 词错误率，节目专用词表是主要障碍。这些结果共同支持限定词表是僧伽罗语最先落地的路线，但不支持把小词表数字推广到开放会话场景。

大词表与预训练模型的结果与可比性

这张表比较的问题是大词表连续僧伽罗语识别中架构、预训练和标注修正各自带来多少变化，公平条件是必须注明训练量、测试集和是否同行评议，词错误率越低越好。表前说明强调只有同架构同录音只改标注的对照才能谈数据质量的因果作用。

表后解释要区分 3 类增益。28.55% 到 23.38% 是同一端到端无词典最大互信息架构、同一批 OpenSLR-52 录音、仅换用修正标注的结果，18.1% 相对下降可归因于数据质量，这是全表唯一的受控比较。深度神经网络混合相对高斯混合的 23% 是固定语料换架构的增益，XLSR-53 的 35% 是同时换架构和预训练数据的增益，三者不可通算。IndicWav2Vec 用 17000 小时南亚语系预训练，比全局预训练的 XLSR-53 基线相对降 42%，支持语言族预训练比全局预训练更省数据的判断。Whisper 中等模型在 OpenSLR-52 朗读上微调到 15-25% 是社区在 Hugging Face 上的报告，未经同行评议且测试集各异，可靠性低于前两项。Massively Multilingual Speech 在 FLEURS 上平均减半 Whisper 的结果很强，但其宗教朗读风格比 OpenSLR-52 离口语更远，向会话和领域部署的外推尚未验证。

哪些对照能拆开数据与模型的作用

论文最有教学价值的一节是明确指出只有一处是受控消融：Gamage 团队 2 次实验固定了端到端无词典最大互信息架构和底层录音，只把标注换成 Warusawithana 等人的修正版，词错误率从 28.55% 降到 23.38%，相对 18.1%，因此才能说语料质量是僧伽罗语当前的主要杠杆。其他大数字都是混杂对照：Karunathilaka 的 23% 是固定语料换声学模型，Nanayakkara 的 35% 是同时换预训练和架构，IndicWav2Vec 的 42% 是换预训练语系。

论文因此把语料质量主导的结论严格限制在这一处受控比较上，并指出尚无研究固定架构、在多个语料规模或质量点上系统变化，这正是后文缺口 G2 对应的下一个受控实验。数据增强侧也有类似拆分：SpecAugment 解决同域声学变化，文本转语音增强解决语音量不足但引入合成韵律偏差，噪声和房间脉冲响应增强解决声学失真，三者不能互相替代。

参数高效微调的拆分是适配器和低秩适应只更新 1-2% 或更少参数，冻结主干以减少过拟合和单卡可跑性，但预训练阶段仍是大算力，且尚无在僧伽罗语同行评议基准上的系统评估。上下文路线的拆分更弱：马拉雅拉姆语中音节字节对编码把 27.4% 降到 10.6% 并恢复 75% 以上未登录词，字素对编码被提出以避免僧伽罗语合字被切碎，但这些都未在僧伽罗语识别上做字符、字节对编码、SentencePiece、字素对编码的受控对比。

现有结论在什么条件下才成立

论文的结论都有明确适用边界。第一，所有大词表数字都基于朗读正式书面语，没有覆盖口语弱化、方言和代码混合，实验室词错误率不能预报呼叫中心、户外、医院病房和车载等真实噪声下的表现，同行评议中尚无在 Musan 等噪声集上的僧伽罗语结果。第二，僧伽罗语形态使开放词表不可避免，子词切分只能部分缓解，非常复杂的屈折仍需罕见子词组合；主宾谓语序使左到右模型在动词前缺少约束，双向模型与自回归解码的结合需要重打分或非自回归等额外设计。

第三，方言和语域差异是系统性的，不是风格微调：口语的元音弱化、辅音删除和词界变化会改变音素序列和切分，而 XLS-R 和 Whisper 微调管线多假设单语输入，对混入英语词的句子会系统出错。第四，算力和部署限制未被量化：XLS-R-300M 全量微调需多卡，低秩和适配器可降到单卡，但压缩、量化、剪枝与延迟的权衡在僧伽罗语上未知，最优词错误率模型在 CPU 上 1-3 秒延迟、高显存需求，无法直接满足低于 500 毫秒的直播字幕和交互式语音应答。

把这些边界讲清后，才能避免把 FLEURS 朗读基准的提升误读成会话场景已解决。

要复现和验证第一步该做什么

复现第一步不是直接跑大模型，而是固定数据和打分规则。先取 OpenSLR-52 并换用 Warusawithana 等人的修正版，记录训练、验证、测试切分和文本归一化，包括大小写、标点、长辅音和元音长度标记的处理，再用同一份代码算词错误率。只有在这份固定切分上复现出 28.55% 到 23.38% 的变化，才能确认数据管线正确。第二步再固定架构比较声学模型，例如在 Kaldi 上复现高斯混合、深度神经网络混合、时延神经网络的相对关系，而不是跨论文比较绝对值。

第三步若做预训练迁移，应明确预训练是否含僧伽罗语及占比，XLS-R 中不足 0.1% 的事实要在报告中写明，并优先尝试南亚语系预训练的 IndicWav2Vec 路线。参数高效实验要报告秩取 4、8、16、64 以及作用到注意力还是前馈层，并同时报告可训练参数量。代码、权重、可运行系统要分开说：论文引用的 ESPnet、Hugging Face Transformers、Kaldi 是公开工具，但各僧伽罗语实验的切分和脚本并不统一；Whisper 微调权重多为社区上传，未经同行评议；论文提到的开放榜单链接本次未能确认可达，不能当作可提交复现的基准。

缺的验证是噪声、分方言、分领域的分层报告，以及代码混合测试，这是判断能否部署的必要条件。

什么时候值得尝试以及还缺哪项验证

综合全文，值得尝试的条件很具体：任务可限定为银行、订票、点歌等小词表命令时，用 4-20 小时领域数据加传统或轻量神经管线即可获得可用精度；要做大词表朗读转写且只有约 200 小时标注时，优先用南亚语系预训练模型微调，而不是从零训练或直接用全局平均最优模型；已有朗读基线后，第一笔投入应给标注修正和统一评测，而不是盲目增大模型。

若场景含方言、噪声、电话通道或僧伽罗语英语混用，则现有论文数字均不适用，需要先补 20-30 小时逐句标注的代码混合语料、500 小时四地区三年龄段会话语料、分领域各 50 小时医疗法律教育语料，以及 0、5、10、20 dB 的加噪版本，并做专家抽检。方法上待验证的是字素对编码与常用子词的受控对比、适配器与低秩适应在僧伽罗语上的同行评议评估、用 SinBERT 和 SinLlama 对 50-best 假设做最小贝叶斯风险重打分。

容易产生的误解是把 15-25% 当作已解决的标志，实际上它是社区在各自测试集上的报告，未经独立同行评议，且多为朗读条件；另一个误解是把平均减半 Whisper 的 FLEURS 结果当作会话场景的保证，而其宗教朗读训练风格反而离口语更远。只有补上标准化会话基准和分层噪声报告，才能把实验室增益转化为教育、医疗、媒体和政务可用的系统。

⚖️ 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

← 返回 2026-10-11 语音/音乐/音频论文速递