📄 同时看频谱和时间如何一起变化：DuRe-ST 的语音伪造检测

英文题目：DuRe-ST: Dual-Relation Spectro-Temporal Modeling for Speech Deepfake Detection

标签：#音频深度伪造检测 | #图神经网络 | #注意力机制 | #语音

评分：6.4/10 | 创新 1.2/2 | 技术严谨 1.2/1.5 | 实验充分 1.2/1.5 | 清晰度 0.8/1 | 影响力 1/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 0.7/1.5

👥 作者与机构

  • Shaole Li：机构信息未在 arXiv HTML 中可靠披露
  • Siqing Qin：机构信息未在 arXiv HTML 中可靠披露
  • Youzhi Tu：机构信息未在 arXiv HTML 中可靠披露
  • Kong Aik Lee：机构信息未在 arXiv HTML 中可靠披露

📌 核心摘要

语音深度伪造检测输入为一段语音波形，输出是真实还是合成、转换伪造的二分类判定，难点是合成语音保留自然长时内容，却在时频联合结构留下不自然平滑或不一致。论文先用XLS-R 300M加线性投影和残差卷积编码器得到时频特征H，再经二维自注意力加权汇聚与top-k图池化得到紧凑频谱节点和时间节点，其拼接X同时送入两个关系分支。协方差分支把X的节点视为变量求联合协方差，取绝对值并加自连接和对称度归一化构成亲和图，再用K阶多项式图滤波汇聚直接和多跳邻居得到滤波后表示Z。Z按频谱与时间域拆分后分别做最大幅值和均值池化并经两层感知机得到一向量，注意力分支对同一X沿用AASIST异构图注意力建模域内和跨域关系并结合主节点得另一向量，DuRe-ST拼接两向量后分类，关键差异是显式引入二阶协同变化以补充注意力权重。与XLSR-AASIST相比，在均训练于ASVspoof 2019 LA训练集且不在目标域适配的评测设置下，DuRe-ST在K=1时把ASVspoof 2021 LA和DF的等错误率（equal error rate，EER）分别降到0.93%和2.04%，平均相对下降25.9%，仅增加约4k个后端可训练参数。该结论仅在K=1、2低阶成立，K=3时DuRe-ST在2021 LA恶化至2.17%，协方差单独建模的Cov-ST在2021 DF恶化至7.79%且跨数据集波动更大。跨数据集结论限于给定四个集合与给定公开模型的比较，更换前端、语种、时长信道或允许目标域适配后的效果尚未验证，原文未披露训练、推理或部署成本。

🔗 开源与复现资源

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

语音伪造检测要从什么样的输入判断什么

这篇论文研究的任务是语音伪造检测，也就是判断一段语音是真实人声还是由文本转语音或声音转换合成的假语音。输入是一段原始波形，长度在训练时被统一裁剪或拼接成约 4 秒，对应 64600 个采样点。模型不需要输出伪造的具体算法编号，只需要给出真与假 2 个类别的打分，评测用等错误率，等错误率越低表示把真判成假和把假判成真的折中错误越小。

论文强调必须保留的信息是自然语音中频谱结构和时间演变之间的协同关系，因为合成模型可能生成过度平滑或不一致的时频结构，这种协同被破坏的痕迹就是后端要找的线索。所有模型都在 ASVspoof 2019 LA 训练集上训练，该训练集只包含真实语音和 6 种合成算法生成的假语音，测试则直接在未见过的算法、信道和数据集上进行，中间不做目标域自适应，因此结论只在这种跨条件评测下成立。

已有后端按什么路线处理频谱和时间

论文把已有工作按后端如何处理频谱和时间信息来划分。卷积路线如 CG-Res2Net 和 Nes2Net 用多尺度卷积抓局部声学模式；Transformer 和 Conformer 路线用自注意力建长距离上下文；Mamba 路线用选择性状态空间模型做高效序列建模；AASIST 路线把频谱特征和时间特征组织成异构图节点，用图注意力建模域内和跨域关系。

论文选择以后者为基础，因为 AASIST 本来就把频谱节点和时间节点分开表示，再用注意力学它们之间的关联，最适合用来追问频谱与时间如何相互作用。已有图注意力只学习节点间的相关权重，没有显式计算协方差，也就是没有显式表示两组高层表示如何一起起伏。论文认为这是一个缺口，因为合成语音的不自然之处恰恰可能体现在 2 阶协同变化上，而协方差神经网络已提供用多项式滤波利用协方差信息的思路，论文就把这一思路引入频谱与时间的联合建模。

论文要解决的具体缺口是什么

具体问题可以拆成两层。第一层是表示问题：如何显式刻画频谱表示与时间表示之间的 2 阶依赖，包括频谱内部各分量如何共变、时间内部各帧如何共变，以及频谱分量与时间帧之间如何交叉共变。第二层是鲁棒性问题：只用协方差关系是否足够稳定。论文先做只用协方差分支的 Cov-ST 来隔离它的贡献，发现它在某些阶数和数据集上有效，但对多项式阶数敏感，单独使用时跨域不稳定。

因此进一步提出双关系模型 DuRe-ST，把协方差诱导的关系和图注意力诱导的关系并排使用，验证二者是否互补。输入处理上两个分支共享同一组频谱节点和时间节点，避免因各自做不同变换而无法公平比较关系建模本身的作用，输出则是把两种关系得到的 utterance 级向量拼接后再分类。

DuRe-ST 的整体流程是怎样的

从一个语音样本来看，流程先经过预训练的 XLS-R 300M 提取帧级特征，再经线性投影和残差卷积编码器得到 3 维特征，随后用 2 维自注意力分别在频率轴和时间轴上加权汇总，得到频谱侧和时间侧的初始表示，再经 top-k 图池化保留得分最高的少量节点，形成共享的频谱节点矩阵和时间节点矩阵。接下来分成两条支路：一条是沿用 AASIST 的异构图注意力模块，带有一个主节点和两层异构图注意力，输出注意力诱导的向量。

另一条是新增的协方差分支，先算联合协方差并建成归一化亲和图，再做零到 K 阶多项式图滤波，最后分域池化并经两层感知机得到协方差诱导的向量。Cov-ST 只用后者分类，DuRe-ST 把两者拼接成双关系向量再经线性分类器得到真与假的打分。下面这张总览图把协方差分支的 3 个步骤画成从左到右的流水线，有助于对照文字理解数据形态的变化。

读图时建议先看左侧输入节点的拼接方式，再看中间传播次数与变换的关系，最后看右侧分域汇总如何保持频谱和时间各自的统计特性。

看图路径： 1. 先从左到右看输入节点如何变成协方差块再变成归一化图；2. 比较绿色频谱边、蓝色时间边与灰色虚线跨域边连接的对象；3. 看中间多项式分支各阶输出如何汇总成同一表示；4. 看右侧频谱域和时间域如何分别做两种池化再拼接

原论文 Figure 1：Overview of covariance-induced spectro-temporal relation modeling.

论文图 1。原论文 Figure 1:：“Overview of covariance-induced spectro-temporal relation modeling.”。

图中左侧把拼接节点变成 4 个协方差块，再变成绿蓝两色节点与 3 种边组成的亲和图；中间把原节点、一次传播、二次传播直到 K 次传播分别变换后求和；右侧把滤波后节点拆回频谱域和时间域，各做最大幅值和均值池化，4 个统计量拼接后经两层感知机得到协方差向量。这张图没有画注意力分支，阅读时要记住完整 DuRe-ST 还有一条并行的注意力通路，两条通路在最后才拼接。

共享的频谱节点和时间节点是如何得到的

共享节点是两种关系建模的共同起点，目的是排除前端变换差异的干扰。论文沿用已有做法，先用 XLS-R 加残差卷积得到通道、频率、时间 3 维特征，再用 2 维自注意力模块产生权重，分别沿时间轴和频率轴做加权求和，得到频谱汇总和时间汇总。与原来 AASIST 不同的是，论文省掉了各自独立的图注意力模块，直接对这两组表示做 top-k 图池化，用学到的打分加权并保留最高分的节点，得到紧凑的频谱节点和时间节点。

举例来说，可以把频谱节点想象成挑选出的代表性频率带，把时间节点想象成挑选出的代表性时间段，它们具有相同的特征维度，拼在一起就构成后续建图的变量集合。这种共享设计意味着协方差分支和注意力分支看到的是同一批节点，性能差异更可能来自关系建模方式本身，而不是输入不同。

频谱节点 × 时间节点： 频谱节点是对频率轴压缩后保留的代表性频率分量，时间节点是对时间轴压缩后保留的代表性时间帧，二者共享同一通道特征空间。把它们拼成同一节点集合，是为了让后续两种关系建模都能同时看到域内联系和跨域联系，组合后模型不再分别处理频谱和时间，而是直接比较它们是否协同变化。

注意力分支保留了哪些自适应依赖

注意力诱导的关系建模直接采用 AASIST 的异构图注意力模块，包括一个主节点和连续两层异构图注意力。输入就是上面得到的共享频谱节点和时间节点，模块内部建模谱内关系、时域内关系和跨谱时关系，最后把频谱表示和时间表示分别做全局最大池化和平均池化，再与最终主节点表示拼接，形成注意力诱导的向量。

这个分支的作用是自适应地给不同节点对分配权重，权重由数据和任务驱动学习得到，能突出当前样本中最具判别性的依赖，但它不直接计算 2 阶统计量。论文保留这个分支作为参照和互补对象，Cov-ST 去掉它只为检验协方差分支的独立贡献，DuRe-ST 保留它是为了看两种依赖叠加后是否更好。

协方差诱导关系 × 注意力诱导关系： 协方差诱导关系指由节点特征之间的二阶协同变化强度决定的连接，反映频谱表示和时间表示一起偏离均值的程度；注意力诱导关系指由异构图注意力学到的节点间相关权重决定的连接，反映模型自适应认为哪些节点对当前判别更重要。前者提供统计协同线索，后者提供自适应加权，DuRe-ST 把两者拼接，是为了同时利用自然相关性被破坏的痕迹和可学习的判别性依赖。

联合协方差如何变成可传播的亲和图

协方差分支把共享节点矩阵的每一行看作一个变量，每一列特征维看作一次观测，先按行去中心化，再计算节点间的联合协方差矩阵。该矩阵自然分成四块：左上是谱内协方差，右下是时域内协方差，右上及其转置是跨域共变。接着对矩阵取逐元素绝对值以保留正负共变的强度，避免聚合时符号相反的边互相抵消，再加单位矩阵保证自连接，最后做对称度归一化得到可用于传播的亲和图。符号的含义是：绝对值越大表示两个节点的高层表示越倾向于一起偏离均值，无论同向还是反向；归一化则是为了让高度数节点不主导传播。

\[\mathbf{C}=\frac{1}{d-1}\bar{\mathbf{X}}\bar{\mathbf{X}}^{\top}=\begin{bmatrix}\mathbf{C}_{\mathrm{SS}}&\mathbf{C}_{\mathrm{ST}}\\ \mathbf{C}_{\mathrm{ST}}^{\top}&\mathbf{C}_{\mathrm{TT}}\end{bmatrix},\]

上式说明联合协方差的块结构与观测数归一化，其中横杠表示按行中心化后的表示。

\[\mathbf{A}=\operatorname{abs}(\mathbf{C})+\mathbf{I}_{N},\qquad\widetilde{\mathbf{A}}=\mathbf{D}_{A}^{-\frac{1}{2}}\mathbf{A}\mathbf{D}_{A}^{-\frac{1}{2}}.\]

上式说明取绝对值、加自环和对称归一化的具体做法，其中度矩阵由亲和矩阵的行和构成。

联合协方差矩阵 × 归一化亲和图： 联合协方差矩阵是把所有频谱节点和时间节点放在一起，以特征维为观测计算得到的节点间协方差，包含谱内块、时域内块和跨域块；归一化亲和图是对该矩阵取绝对值、加自环再做对称度归一化得到的传播图。前者是原始二阶统计量，后者是适合图滤波的非负对称权重，组合后正负协同的强度都能参与邻居聚合而不互相抵消。

多项式滤波和分域读出如何得到判别向量

得到亲和图后，模型对共享节点做零到 K 阶的多项式图滤波。零阶项只对每个节点自身做线性变换，不使用协方差信息；1 阶项经一次亲和传播后变换，聚合直接强共变邻居；更高阶项经多次传播后变换，聚合经由中间节点中转的间接共变。每阶有各自的线性变换，汇总后做层归一化和 SELU 激活，得到滤波后的节点表示。

随后把该表示拆回频谱部分和时间部分，每个域独立做最大幅值池化和均值池化，4 个结果拼接后经带 ReLU 和 dropout 的两层感知机投影，得到协方差诱导的向量。阶数 K 决定最高用到亲和图的几次幂，也就是最远考虑几跳共变。阶数越大感受野越广，但也越可能把弱的或冗余的共变混进来，这是后文阶数敏感性的来源。

\[\mathbf{Z}=\operatorname{SELU}\!\left(\operatorname{LN}\!\left(\sum_{k=0}^{K}g_{k}\!\left(\widetilde{\mathbf{A}}^{k}\mathbf{X}\right)\right)\right),\]

上式说明各阶传播结果分别变换再求和，最后归一化与激活，其中 K 为最高阶数。

\[\mathbf{h}_{\mathrm{cov}}=f_{\mathrm{proj}}\!\left(\mathbf{p}_{\mathrm{S}}\mathbin{\|}\mathbf{p}_{\mathrm{T}}\right),\]

上式说明分域池化后的拼接与投影得到协方差向量，池化细节是每个域取最大幅值与均值。

多项式图滤波 × 多跳依赖： 多项式图滤波指对归一化亲和图的零次到 K 次幂分别做线性变换再求和，每一阶对应不同跳数的传播；多跳依赖指经过一次以上协方差边中转后间接关联的节点对。零阶只变换自身，一阶聚合直接强协同邻居，高阶聚合经由中间节点的间接协同，组合后模型能同时保留自身特征和不同距离的协同上下文。

最大幅值池化 × 均值池化： 最大幅值池化是在一个域内所有节点上取每个特征维绝对值最大的响应，突出最可疑或最显著的伪造痕迹；均值池化是取所有节点的平均响应，刻画该域整体分布水平。两者分别在频谱域和时间域独立计算再拼接，是为了既保留局部极值线索，又保留全局背景，避免只用一种统计量丢失另一类信息。

模型用什么监督和优化过程训练

论文没有提出新的损失形式，训练监督来自 utterance 级的真假标签，采用加权交叉熵，真类权重为 0.9，假类权重为 0.1，以缓解真假样本不均衡。优化器用 Adam，学习率为 10 的负 6 次方，权重衰减为 10 的负 5 次方，批量大小为 16，在单张 RTX 4090 上训练。若验证集交叉熵连续 7 个轮次没有改善则停止，取验证损失最低的 5 个检查点平均后评测。数据增强沿用已有做法，分别用 RawBoost 的第 3 种和第五种算法训练不同检查点，其中第五种用于除 ASVspoof 2021 DF 外的数据集，第 3 种用于 2021 DF，在 DFADD 上同时评测两者并报告较低的等错误率。

前端 XLS-R 作为特征提取器参与流程，论文报告的可训练后端参数量不含前端主体，只比较后端新增开销，这是理解 4 至 8k 额外参数的前提。原文没有说明前端是否冻结或每层梯度路径，因此不能从名称推断梯度是否进入预训练权重，只能按报告的后端参数量讨论代价。

实验在什么数据和指标下比较

所有自研模型只在 ASVspoof 2019 LA 训练划分上训练，评测分为两组。ASVspoof 基准组包括 2021 LA 和 2021 DF，用于检验在已知大赛条件下的表现；跨数据集组包括 In-the-Wild、归一化后的 Fake-or-Real 测试集、ASVspoof 5 和 DFADD，用于检验在未见信道、算法和采集条件下的泛化，且全程不做目标域自适应。指标统一用等错误率，数值越低越好。比较对象包括 XLSR-AASIST 基线和若干公开模型，如 XLSR-Nes2Net-X、XLSR-Mamba、XLSR-Conformer 及其变体、XLSR-SLS，其中部分数字来自原文复现，部分来自 Speech DF Arena，论文用不同标记区分。

Fake-or-Real 所用链接在证据中是第三方数据集链接，只能证明论文提到了该来源，不能据此说明作者已开源代码或权重。理解结论时要注意：跨数据集的 4 个测试集难度和假语音构成不同，同一方法在不同集上的相对优劣不能直接互相推导。

在 ASVspoof 基准上协方差分支带来了什么

要回答的比较问题是：在与 XLSR-AASIST 基线相同训练条件和相同评测划分下，只用协方差关系的 Cov-ST 和双关系的 DuRe-ST 能否降低等错误率。下表整理原文连续句中报告的基线与两个代表性配置的等错误率，指标方向为越低越好，最后一列为原文报告的相对变化。

模型阶数 K2021 LA 等错误率2021 DF 等错误率原文报告的相对变化
XLSR-AASIST 基线不适用1.00%3.69%基线参照
Cov-STK=21.15%2.66%DF 相对降低 27.9%
DuRe-STK=10.93%2.04%LA 降低 7.0%，DF 降低 44.7%，平均降低 25.9%

从表中可见，基线在 2021 LA 和 2021 DF 上分别为 1.00% 和 3.69%。Cov-ST 在 K 为 2 时在 DF 上降到 2.66%，相对降低约 27.9%，在 LA 上为 1.15%，略高于基线。DuRe-ST 在 K 为 1 时在两组上分别达到 0.93% 和 2.04%，相对基线分别降低 7.0% 和 44.7%，平均相对降低 25.9%。论文还报告 DuRe-ST 该配置只比基线多约 4k 后端参数。K 为 0 的对照在原文中说明仅增加变换而不引入协方差时 LA 会明显变差，因此 DuRe-ST 的提升不能只归因于多了一层变换。读图时先确认 3 个面板都是 DFADD 评测集上的 utterance 级嵌入投影，再比较浅蓝真实点与深绿伪造点的交叠变化。

看图路径： 1. 对比三个面板中深绿伪造点与浅蓝真实点重叠区域大小；2. 看中间面板真实样本是否更集中在左下形成独立团块；3. 结合每个面板上方标注的等错误率判断分离程度与指标是否一致

原论文 Figure 2：t-SNE projections of utterance-level embeddings on the DFADD evaluation set for (a) XLSR-AASIST,…

论文图 2。原论文 Figure 2:：“t-SNE projections of utterance-level embeddings on the DFADD evaluation set for (a) XLSR-AASIST, (b) DuRe-ST with K=1, and (c) DuRe-ST with K=2.”。

图中左侧基线面板上方标注 15.10%，真实与伪造点交织较多；中间 K 为 1 的面板标注 8.36%，真实点更集中且与伪造主体分离更清晰；右侧 K 为 2 的面板标注 10.45%，仍比基线分离更好，但局部交叠比中间面板多。这种可视分离与等错误率的相对顺序一致，支持协方差关系有助于形成更具判别性的嵌入空间，但论文也明确这只是定性证据。

跨数据集泛化是否在四个测试集上都成立

要回答的比较问题是：在不做目标域自适应的条件下，DuRe-ST 在 4 个跨数据集上的等错误率相对最强公开结果有何变化。下表按数据集整理原文连续句直接报告的 DuRe-ST 取值与相对提升，数值越低越好，配置按原文在各数据集上取得最好值的阶数分别标注。

数据集DuRe-ST 配置DuRe-ST 等错误率相对最强公开结果的提升适用条件
In-the-WildK=26.53%相对提升 2.2%不做目标域自适应
Fake-or-Real 归一化测试集K=25.48%相对提升 13.2%不做目标域自适应
ASVspoof 5K=213.84%相对提升 3.9%不做目标域自适应
DFADDK=18.36%相对最好公开结果降低 7.3%，相对基线降低 44.6%取两种增强中较好者

放在 4 个跨数据集里看，原文报告 DuRe-ST 在不同阶数下分别取得最好值：K 为 2 在前 3 组上取得比较系统中最好，K 为 1 在 DFADD 上最低为 8.36%。论文还报告 DuRe-ST 后端为 0.451 至 0.455M，小于比较的公开模型。限制是这些最好值是在不同 K 下分别取得的，且 DFADD 报告了两种增强中较好者，因此不能把 4 个数据集的最优数拼成单一配置的部署效果。Cov-ST 在原文完整大表中的趋势是 K 为 1 时在除 ASVspoof 5 外的 3 组上优于基线，但 K 为 2 时跨域不稳定，说明单独协方差建模对阶数和评测域敏感。

多项式阶数变化时性能为何不单调

要回答的问题是：亲和图最高用几次幂时最合适，高阶是否总是更好。论文在 K 为 0 到 3 之间扫描，K 为 0 表示只保留自身变换而不使用协方差。结果显示 Cov-ST 在 2021 DF 上 K 为 2 最好，但 K 为 3 时骤升到 7.79%；DuRe-ST 在 DF 上相对稳定，但在 2021 LA 上 K 为 3 时升到 2.17%。K 为 1 的 DuRe-ST 在两个基准上都优于 K 为 0 的自身对照，说明增益来自协方差关系本身。

机制解释是高阶传播会把更多弱的或冗余的共变关系聚合进来，稀释真正具判别性的伪造线索。由于只用协方差的 Cov-ST 缺乏注意力分支的自适应校正，对阶数更敏感，而双关系模型相对稳健。论文因此只保留 K 为 1 和 2 进入跨数据集评测，这个选择是基于 ASVspoof 基准的事后观察，在部署新数据时不能保证同一阶数仍最优，这是使用时需要注意的适用条件。

哪些结论有边界和尚未验证的范围

论文明确承认的局限是协方差单独建模对阶数和评测域敏感，高阶滤波可能聚合冗余关系。未在文中量化的方面包括：没有报告训练时长、推理延迟和显存占用随 K 和节点数增长的具体曲线，因此不能承诺计算开销一定更低，只能说可训练后端参数增量很小；没有报告多次随机种子的方差或显著性检验，因此小幅差异应谨慎解读；t-SNE 只是定性可视化，不能替代指标。

容易产生的误解是把相对降低误读为百分点降低，例如 DF 上从 3.69% 到 2.04% 是约 1.65 个百分点，相对降低约 44.7%，两者含义不同。另一个误解是把跨数据集上不同 K 的最优值当成同一模型同时取得，原文实际是 K 为 1 和 K 为 2 分别在不同数据集上最好，复现时应按数据集分别说明所用阶数和增强算法。未来工作提出探索输入自适应的阶数加权以降低阶数敏感性，但这在本文中尚未实现和验证。

复现第一步要做什么与需要哪些条件

复现的第一步是准备与原文相同的训练与评测划分：只用 ASVspoof 2019 LA 训练集训练，在 2021 LA、2021 DF、In-the-Wild、Fake-or-Real、ASVspoof 5 和 DFADD 上评测，且不做目标域自适应，同时按原文规则为不同评测集选择 RawBoost Algo 3 或 Algo 5，DFADD 取两者中较好者并如实标注。关键超参数包括输入约 4 秒、加权交叉熵权重 0.9 与 0.1、Adam 学习率与权重衰减、批量 16、早停耐心 7 轮、平均验证损失最低的 5 个检查点。实现时要特别注意共享节点逻辑：省掉原 AASIST 中各自独立的图注意力模块，直接做 top-k 池化并共享给两个分支。

协方差分支要按行中心化、取绝对值、加自环、对称归一化，再为每阶保留独立线性变换。评测时保留等错误率方向越低越好，并区分复现结果与引用结果。论文证据未提供作者代码与权重可用的确认信息，因此代码开源、权重可下载与系统可运行要分开核实，不能默认三者都有。

什么时候值得尝试这种双关系建模

当研究问题涉及频谱表示与时间表示是否协同变化，例如怀疑合成语音有时频过度平滑或不一致，且已有图注意力基线已能自适应建模依赖但仍有跨域误差时，值得尝试加入协方差诱导的分支。复现第一步是先实现 K 为 1 的 DuRe-ST 并与共享节点的注意力基线对比，确认在目标评测集上是否复现互补增益，再扫描 K 为 0 到 2 观察是否出现高阶稀释。

还需要补的验证包括：在更多采集设备和压缩条件下的稳定性、不同随机种子下的方差、后端参数增量之外的实际推理延迟，以及输入自适应阶数加权是否真能降低敏感性。总体而言，论文直接报告的是在给定训练集和给定评测协议下双关系拼接带来平均相对降低和跨数据集最好结果，证据支持协方差线索与注意力线索互补，但只在低阶、特定增强配置和不做域自适应的条件下成立，不宜夸大为所有语音伪造场景的通用最优解。

📎 论文与评分元数据

排名：前50% | 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

← 返回 2026-10-11 语音/音乐/音频论文速递