📄 ParaGeo：把副语言变化拆进共享低维坐标
英文题目：ParaGeo: Decomposing Paralinguistic Variation into a Shared Latent Geometry
标签：#韵律与风格控制 | #低秩压缩 | #语音 | #可解释性 | #语音大模型
评分：6.9/10 | 创新 1.2/2 | 技术严谨 1/1.5 | 实验充分 1.2/1.5 | 清晰度 0.7/1 | 影响力 0.8/1.5 | 开源 1/1.5 | 可复现 0.3/0.5 | 工程/实践 0.7/1.5
👥 作者与机构
- Yuhan Liu：机构信息未在 arXiv HTML 中可靠披露
- Yuxuan Ou：机构信息未在 arXiv HTML 中可靠披露
- Ruoxi Su：机构信息未在 arXiv HTML 中可靠披露
- Mohamed Ahmed Zaki：机构信息未在 arXiv HTML 中可靠披露
- Yunbo Long：机构信息未在 arXiv HTML 中可靠披露
📌 核心摘要
输入是8个固定英文句子与80种副语言请求交叉合成的语音词元，输出是对说话方式在共享低维坐标中的位置度量以及基于该坐标的生成期干预向量，难点是词汇内容与说话方式纠缠，且请求标签只是合成指令而非人工确认的真实属性。方法先把同一句子的多种renditions回放进冻结的GLM-4-Voice-9B，对音频位置的键/值表示做池化并做句内中心化，再经截断奇异值分解得到秩16的共享基。然后用句子均值的奇异值分解构造内容代理子空间并做正交残差化，得到最终投影与每标签原型坐标，静态、加法组合和随时间插值的干预都复用同一投影。与已有激活加法和情感转向工作相比，差异是跨12个异质请求族使用同一匹配内容标定投影，并把表示诊断与生成响应分开检验。在590条保留记录的内容留出80类质心探针中，投影坐标80-way准确率为9.49%，高于条件置换均值1.25%，置换检验为p=0.001。在同一590条保留记录的内容留出80类质心探针中，同标签跨内容余弦相似度为0.285，高于条件置换对照均值0.017，对应置换检验同样为p=0.001。结论只适用于该回放表示、英语请求和基于模型的成对评价，组合与动态完整任务存在文本通道损伤，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/yuhanlydia/ParaGeo — 链接可访问（HTTP 200）
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
这篇论文要解决什么输入输出问题
论文研究的是同一句话如何说的问题。输入是固定词汇内容配上不同的副语言要求，例如高音调、慢速、疲倦语气或犹豫表达，目标是在不改变字面信息的前提下，让请求到的说话方式在不同句子之间有可比较、可操作的表示。必须保留的是词汇内容本身，不能为了改变风格而改写词序或丢失关键词。输出不是直接合成高质量语音的完整系统，而是一套共享低维坐标，以及基于它的测量与干预起点。
读者可以把任务理解为三步：先验证同样的说话方式变化是否跨内容复现，再把复现的部分压缩到低维空间，最后看沿着这些方向扰动生成会发生什么。论文明确区分表示诊断与生成干预是两种不同估计对象，前者来自聆听回放的汇总特征，后者作用于新语音生成时的键值投影。混淆两者会误把能解码当成能控制，论文用大量对照把它们分开检验。
已有路线与本篇的切分点在哪里
已有路线包括可学习的风格标记、参考驱动的韵律迁移、信息瓶颈，以及语义与声学分层标记和语音对话模型，它们让表达因素可以在不同文本间复用。推理时构造行为方向的做法已有激活加法与对比激活加法，线性表示假设把探测与操控联系起来。语音侧已有工作选择情感相关的标记贡献、学习情感偏移、构造匹配情感对比并分析操控位置与混合情感行为，还有词级调制、解耦编解码，以及权重空间的情感算术与任务向量。
本篇的切分点是研究冻结语音模型在回放条件下的键值表示，对来自 12 个基准家族的异质请求做匹配内容分解与共享投影，并把几何诊断与生成响应分开检验。论文声明全空间原型相加不是复现某个已发表系统，因为缺少对方完整的提取、位置选择、重归一化与评测设计，因此不构成与具名语音合成方法的同条件胜负比较。这个定位决定了后文对照的含义：随机方向、全空间、去投影等都是操作层面的对照，不是与外部方法的排名。
为什么要用匹配内容的设计
同一说话方式要求会受到句子内容影响，例如句子长短、停顿位置和强调词是否存在都会改变声学实现。如果直接比较不同句子与不同要求的语音，就分不清差异来自内容还是来自要求。论文用匹配内容采集固定词汇银行，让每个句子都尝试多种控制，再在句子内部做比较。附录列出 8 个固定英文校准句和 80 个请求控制，横跨年龄、音调、音色、语速、音量、停顿、节奏、重音、情感、认知状态、非语言发声和态度 12 个家族。
80 个控制与 8 个句子原本对应 640 个请求对，经过生成文本匹配与音频标记可用性检查后保留 590 条表示。论文强调这是请求标签探测，不是官方识别基准，也不是人工确认实际发出的风格；有些词级指令可能与校准句没有对应词，仍作为请求控制保留，不能当作 80 个独立互斥的声学因子。情感、音调、语速与节奏可能协变，公共子空间也不给每个家族分配独立因果轴。
整体流程如何从合成走到干预
要理解全篇，先建立从匹配语音到共享坐标再到 3 类干预的主线印象。下图把 4 个阶段连成一条横向流水线，左边是多版合成，中间是回放获取表示，再做中心化与分解，最右边是复用同一基底的操作，适合先看全局再看细节。
看图路径： 1. 先沿从左到右的主箭头看匹配语音到表示获取再到共享分解；2. 注意回放分支使用同一聆听提示而不附加标签名；3. 比较右侧静态加性和时序三种操作如何复用同一坐标
论文图 2。原论文 Figure 2:：“ParaGeo overview. Matched-content renditions are synthesized and replayed through the frozen speech model.”。
图从左到右显示同一目标句在不同请求下合成多版语音，经过冻结模型的回放分支得到音频位置的键值池化特征，再做内容内中心化、16 秩奇异值分解和内容关联投影得到低维坐标。右侧静态、加性和时序操作都复用同一基底并作用于生成时的键值干预，右下角标注投影解码与置换均值的对比。图中波形与坐标轴只是示意，真正的测量依据是后文数字。这 1 流程的关键约束是模型权重始终冻结，不训练语音模型，也不使用偏好标签来拟合基底，后续所有坐标运算都是线性投影与加权组合。
回放表示是怎样构造的
采集分两遍经过冻结的 GLM-4-Voice。第一遍按目标句与控制请求合成，保存音频标记编号；第二遍回放这些编号，提示固定为聆听语音并关注副语言表达、忽略词汇内容，不再单独附加属性名。因此请求信息只能通过合成出的标记进入表示，包括时长等相关属性，这属于听输出的表示，不是原始生成状态的激活。记录位置是每层融合投影输出、注意力之前，在音频标记位置上对键和值分别平均，再按层与键值顺序拼接成向量，维度为层数与键值宽度的函数。
采样层为 16、20、24、28、32、36。平均池化不是随意选择，发现实验中音频平均在六分类上中位准确率 85.0%，明显高于只用最后一个音频标记的 52.92%，这支持用池化汇总整段表达方式而非单点采样。分支编号用于对齐特征与校准记录，不是从行顺序推断。
键表示 × 值表示： 键表示和值表示都是融合投影输出的两路分量，键表示参与注意力权重计算，值表示参与加权求和的内容搬运；论文把两者在音频位置分别平均再拼接，是为了同时保留寻址偏好与承载内容对说话方式的痕迹，组合后得到每条回放的完整听觉特征。
中心化与低秩基底如何得到共享坐标
对每个句子，论文先算该句保留控制的均值并逐条减去，得到残差，这是内容内中心化。在加性模型下它能精确去掉加性句子偏置，但在不平衡缺失与内容属性交互存在时，残差还可能混入句子特定的属性组合，因此只能算作对照比较，不能保证完全语言不变。把全部残差堆成矩阵做截断奇异值分解，右奇异向量构成原始基底。另对中心化句子均值做奇异值分解得到内容参照，再把原始基底对该参照做残差化与正交化得到最终基底。
对每个标签在保留句子上平均残差得到原型，再投影得到坐标与重构方向。这一构造与按标签监督去内容的方法不同，它用句子均值估计内容代理，可做消融但不保证去掉全部词汇信号。原始 16 秩捕获残差方差 61.76%，属于内容残差化之前的原始分解，不能当作最终投影基底的方差占比。
\[\mu_{x}=\frac{1}{|\mathcal{A}_{x}|}\sum_{a\in\mathcal{A}_{x}}h(x,a),\qquad\widetilde{h}(x,a)=h(x,a)-\mu_{x}.\]上式说明句子均值与残差的定义，符号 x 为句子，a 为请求属性，h 为拼接特征，减均值后堆叠成残差矩阵。
\[B_{\perp}=\operatorname{orth}[(I-SS^{\top})B_{r}],\quad p_{a}=\frac{1}{|\mathcal{X}_{a}|}\sum_{x\in\mathcal{X}_{a}}\widetilde{h}(x,a),\]上式说明最终基底与原型平均的定义，S 为内容代理，Br 为原始低秩基底，残差化后正交化保留有效列。
\[c_{a}=B_{\perp}^{\top}p_{a},\qquad d_{a}=B_{\perp}c_{a}=P_{\perp}p_{a}.\]上式说明坐标与重构方向的关系，投影矩阵由最终基底构成，单个坐标轴不可唯一识别但重构方向确定。
内容内中心化 × 共享低秩分解： 内容内中心化指同一句子下减去该句全部控制的均值，用于去掉加性句子偏置；共享低秩分解指对堆叠残差做截断奇异值分解取右奇异向量，两者搭配是先减去内容主效应再找跨句子共享的残差方向，组合后得到跨内容可比的基底，但基底是全局拟合的，内容代理也不能保证去尽词汇因素。
内容关联投影 × 原型向量： 原型向量指同一标签在多个句子上残差的平均，代表该请求方向的平均偏移；内容关联投影指把低秩基底对句子均值子空间做正交化以减弱内容方向，两者搭配是先平均出标签方向再投影到内容关联成分较少的空间，组合后得到可比的坐标与可加的重构方向，但不声称与句子完全无关。
三类生成操作共用哪一个算子
论文强调真正起作用的是共享投影算子而非单个坐标轴，因为正交旋转下重构方向不变。静态操作是在生成时拼接键值投影上加上缩放后的重构方向；组合操作是对多个原型先求和再经同一投影；时序操作是在起点与终点坐标间插值再投影。组合与插值的线性恒等式都是线性代数性质，是否在听感上构成组合与是否实现准确时序仍需实证。
时序系数按生成前向次数定义，渐变在 191 步到 1、突变在 96 步切换，192 步后保持终点；由于文本与音频交错生成，该下标不是波形时间，早停可能到不了终点。层掩码与秩变化同时改变方向与能量，因此层组比较是实用配置比较，不是能量匹配的因果定位。随机对照匹配拼接后全局范数，不匹配每层、键值分量或注意力影响。
\[q_{t}^{\prime}=q_{t}+\alpha B_{\perp}\sum_{a\in\mathcal{C}}c_{a}=q_{t}+\alpha P_{\perp}\sum_{a\in\mathcal{C}}p_{a}.\]上式说明组合是投影作用于原型之和，比例系数控制整体强度，坐标相加等价于投影后相加。
\[c_{t}=(1-\lambda_{t})c_{a}+\lambda_{t}c_{b},\qquad q_{t}^{\prime}=q_{t}+\alpha B_{\perp}c_{t}.\]上式说明时序是坐标插值后再投影，系数随生成步数变化，插值权重在起点与终点之间移动。
静态干预 × 时序干预： 静态干预指生成全程加上固定缩放的重构方向，时序干预指系数随生成前向次数在起点与终点之间插值；前者检验固定属性能否持续生效，后者检验过渡路径是否带来额外效果，两者共用同一基底，组合后可以比较固定点与路径的贡献。
本研究训练了什么与冻结了什么
本研究没有训练语音模型。GLM-4-Voice-9B 以量化权重冻结运行，温度与采样参数按记录设置，最大生成标记与波形速率固定，采样层与默认秩 16 按附录执行。实际计算是奇异值分解、正交化、原型平均与投影，属于无监督构造，不用偏好标签也不更新模型参数。拟合基底用了全部校准特征，留出测试只留出标签质心，基底本身仍见过全部 8 个句子，因此是固定基底下的内容留出质心探测，不是新单句的归纳部署估计。
随机方向对照用高斯单位向量并匹配目标范数，组合对照匹配拼接干预范数；这些对照只匹配全局范数，不匹配每层、键值分量或注意力影响。复现时还需按分支编号对齐特征、保留层与池化元数据及生成清单，因为随机向量按遍历顺序消耗，仅凭种子不能保证重跑等价。原始键值文件与全部波形不在附带包中，需要原本地产物才能验证完整几何。
评测在什么划分与容差下进行
表示检验用余弦最近质心预测 80 个准确请求标签，7 句建质心、剩余 1 句测试，微平均覆盖 590 条；对齐检验用同标签跨内容的平均余弦，内容对之间并不独立。零假设通过在每句内独立置换标签构造，保持特征与句内标签计数，1000 次置换加 1 修正给出有限分辨率 p 值。生成评测只用目录覆盖的英文请求与波形路径，按合格列表每第 5 个取发展集、其余留出，发展集按文本词错误率恶化不超过 2 个百分点选强度。
静态选中 0.5，组合无通过门限的强度，动态选中 1.5 但留出臂不完整故报告 0.25 探索臂。偏好以胜记 1、平记 0.5、负记 0，先在条目内平均再跨条目平均，50 为持平而非胜率；区间为条目级自助名义区间，排序比较不构成配对显著性检验。文本保真只比较生成文本通道与目标词的词错误率，没有独立波形识别、听音实验或时序测量，评测器版本也未完全锁定，准确恢复所用评测器需要原始元数据。
跨内容结构与投影保留了什么
先看发现实验的动机。下图每个格子不是两种风格像不像，而是同一风格差方向在不同场景间的一致性，数值越高表示该变化越可复现，颜色越黄表示一致性越高。
看图路径： 1. 先确认对角线横线表示不比较自身；2. 再找数值最大与最小格比较颜色深浅；3. 注意每格是同一对比方向跨场景一致性而非两种风格相似度
论文图 1。原论文 Figure 1:：“Vocal-style changes recur across contexts.”。
图中 6 种风格形成 15 个定向对比，firm 与 hesitant 方向一致性达 0.803，calm 与 neutral 仅 0.137，平均约 0.498，全部通过错误发现率 0.05 下的多重校正。读图时注意行列对称位置数值相同，对角线不比较，紫色低值与黄绿色高值的反差说明有些变化稳定、有些变化不稳定。这一可复现性支持后面对 80 个控制做共享坐标分析，但场景划分重复使用语句，并非独立重复。
解码准确率 × 同标签余弦相似度： 解码准确率指留出一句后用其余句子质心预测准确请求标签的正确比例，衡量标签间可分性；同标签余弦相似度指同一标签在不同句子间表示的平均余弦，衡量跨内容一致性，两者搭配才能看出投影是提高了对齐还是保留了细粒度区分，组合后揭示对齐与判别是不同性质。
下表比较中心化完整表示与 16 维投影坐标，直接回答投影保留了什么、丢了什么。表头准确率为 80 选 1 准确标签，余弦为同标签跨内容相似度，两行都已做句内中心化，比较条件一致，指标方向都是越高表示相应性质越强。
| Representation | 80-way accuracy | Cosine |
|---|---|---|
| Centered full K/V | 11.69% | 0.152 |
| Projected 16-D coordinates | 9.49% | 0.285 |
表中投影准确率为 9.49% 而完整空间为 11.69%，前者 56 个正确、后者 69 个正确；投影余弦 0.285 而完整空间 0.152。投影把余弦提高了约 1.88 倍，同时准确率下降 2.20 个百分点，说明对齐提升与细粒度区分下降可以并存。论文用数学例子解释正交投影同时改变分子与归一化，去掉内容相关变异可能同时去掉标签间差异，该例子只是相容性说明，不是测得的模型几何。置换均值分别为 1.25% 与 0.017，观测远高于 0 分布，p 均为 0.001 量级。综合看请求相关结构在指定回放表示中成立，但基底全局拟合且需同句控制库，不能直接推广到单句部署。
生成干预在完整任务上表现如何
完整留出任务的比较问题是候选相对无干预提示词基线是否更符合请求，50 为持平，越高越倾向候选。候选包括实际可运行的投影策略、随机方向对照与全空间相加对照，需要一起保留才能判断方向特异性，单独看一列会夸大效果。
| 任务 | 对比对象 | 输入数 | 候选偏好 | 区间 |
|---|---|---|---|---|
| 静态 | 投影相对无干预 | 168 | 55.36 | [49.11,61.61] |
| 静态 | 随机相对无干预 | 168 | 55.95 | [49.40,62.50] |
| 组合 | 投影相对无干预 | 38 | 45.39 | [36.18,54.82] |
| 组合 | 投影相对全空间 | 38 | 42.98 | [34.87,51.10] |
| 动态 | 投影相对无干预 | 60 | 51.67 | [40.00,63.33] |
上表偏好越高越好，区间为名义自助区间，输入数是条目级平均的单位。静态投影与随机对照都略高于基线，但两者是各自对基线的比较，相减不是直接胜率；直接比较投影与全空间的组合偏好低于持平。文本通道上静态基本持平，组合与动态相对基线分别增加约 6.88 与 2.56 个百分点，投影组合词错误率低于全空间但高于无干预。因此投影减少了部分文本扰动，但没有显示组合控制优势。
动态完整臂用探索强度，结论只在该操作点成立。未胜出项必须指出：组合相对基线低于持平，投影相对全空间也低于持平，总体不能确立一般控制器优势。
下表回答动态家族是否一致，比较条件同为探索强度下相对无干预，家族组小且无家族区间，只能看作描述性画像。
| Family | Inputs | Preference |
|---|---|---|
| Emotion | 12 | 54.17 |
| Pace | 12 | 75.00 |
| Pitch | 12 | 45.83 |
| Rhythm | 12 | 37.50 |
| Timbre | 4 | 62.50 |
| Volume | 8 | 37.50 |
表中 Pace 在 12 项上达 75.00，但 Rhythm 与 Volume 仅 37.50，完整动态平均正是这类反差的平均。家族样本量小且未经校正，Pace 只能算作具体正响应，不能代表全部时序控制。静态家族同样分化，年龄、音色与音量点估计较高而态度与认知状态在完整静态集中低于持平，说明属性依赖很强，任何总体均值都会掩盖这种异质性。
层组秩调度与属性如何改变响应
要判断有利设置是否稳定，需要看同一属性在不同随机对照下的起伏。下图 18 个属性按均值排序，左侧为高均值属性，右侧为低均值属性，每列内 5 个格为 5 个随机种子，适合先看列内一致性再看列间排序。
看图路径： 1. 先看列按均值排序后左侧与右侧属性的差异；2. 再看同一列在五个随机方向种子间的起伏；3. 注意底部均值最小值与超过 50 计数三行
论文图 3。原论文 Figure 3:：“Attribute-specific responses across five direction controls.”。
图中左侧 tired 均值 71 且最小值 65、polite 均值 64 且最小值 55，在 5 个随机种子下都高于持平；teasing 均值 65 但有一列为持平；右侧 contemptuous、perfunctory 与 curious 均值仅 34 到 38，且 nervous 从 15 到 75 大幅波动。这说明有利均值不等于跨对照稳定，属性与对照设置的交互占了很大变异。汇合偏好 51.50 接近持平且区间宽，不能回答优效也不能回答等效，有利标签是在看完全矩阵后挑出的探索性发现。
下图按任务分别看注入位置的响应，行是静态、组合、动态 3 种诊断任务，列是早期、中期、晚期与全部 6 层，格内为相对无干预的偏好，颜色越亮表示偏好越高。
看图路径： 1. 先按行比较静态组合动态三任务的最大值列；2. 再看中层列是否在静态与动态行同时最高；3. 注意组合行最大值伴随的文本代价说明
论文图 5。原论文 Figure A2:：“Figure A2: The layer response depends on the task.”。
图中中层在静态与动态行内最高，组合行则是全层最高，说明层响应依赖任务，不能把一行的最优直接搬到另一行。诊断子集按任务分别固定取基准索引前 24 个留出项，家族构成与完整任务不同，且为名义未校正区间，不能当作新采样确认。
下表把 3 个任务各自诊断子集的关键点估计并列放在一起，比较问题是各自 24 项内相对无干预基线的偏好，文本变化为绝对分数，负值表示词错误率下降。三行分别来自静态 24 项、动态 24 项、组合 24 项各自的诊断子集，仅为同基线对照的并列展示，不能作为同一 24 项内的跨任务配置优劣比较。
| 配置 | 偏好 | 区间 | 文本变化 | 适用任务 |
|---|---|---|---|---|
| 中层动态 | 68.75 | [56.25,81.25] | −0.0060 | 动态 24 项诊断子集 |
| 中层静态 | 64.58 | [50.00,79.17] | −0.0278 | 静态 24 项诊断子集 |
| 全层组合 | 66.67 | [54.17,78.12] | +0.1250 | 组合任务 24 项诊断子集，代价大 |
上表偏好越高越好，中层动态在其动态 24 项子集上偏好较高且无平均文本损失，但掩码同时改变能量，不是能量匹配定位；秩响应非单调，保留更多方差并不单调提高干预分。组合全层在其组合 24 项子集上偏好为 66.67 但文本代价大，中层组合降到 54.17 但代价更小。3 个子集按任务分别选取，不是同一输入集合，不做跨任务直接排序。时序上可变主坐标与固定起点接近，固定终点与中点更低，记录不支持规定路径相对固定点的总体优势，也没有声学轨迹验证定时。
上表对应的完整诊断矩阵包含全部秩、层与调度配置，名义区间未经多重校正，排序挑选的最优不能当作部署保证。有利配置应理解为值得复测的操作点，而非已证明的定位结论，任何跨任务推广都需要新鲜样本与能量匹配设计。
结论在什么边界内才成立
证据只支持一个主干、英语请求、固定 8 句校准库、模型评判下的请求相关结构与部分操作点的正响应。基底全局拟合、内容代理不完全、探索区间未校正、平衡扩展复用输出与对照、评测器版本未锁定，都限制泛化与复现声称。请求标签不是独立标注的实际属性，文本匹配与词错误率也不是波形转写；年龄、认知状态与态度坐标不能用于真实人的画像或临床推断。
论文的汇总表把 4 个问题分开：是否跨内容复现、投影保留什么、何处响应有利、是否有总体增益，前三者有支持，最后一项明确写为当前总体比较未确立一般优势。把 Pace 的 75 或中层动态的 68.75 推广到全部属性、全部层或部署可用的提升，都超出证据范围。
教学例子：把同一校准句分别请求为疲倦与礼貌时，原型平均给出 2 个方向，投影后相加或插值只是向量运算，是否听得出叠加或平滑过渡，需要在固定强度与层组下做模型与人工双重评判，不能从线性恒等式推出听感成立。
复现第一步与可确认的公开情况
复现第一步是按 8 句与 80 控制重建 590 条匹配内容库，用同一聆听提示回放并按分支编号对齐音频池化特征，再复算句内中心化、16 秩分解与内容残差化，检查投影解码 9.49% 与余弦 0.285 是否在置换零分布之上。关键超参数是采样层 16、20、24、28、32、36，默认秩 16 与内容库 8 列设置，干预强度网格 0.25、0.5、1.0、1.5 与发展集 2 个百分点容差。生成侧先复现静态 0.5、组合与动态探索 0.25 的操作点，再检查中层注入与 Pace 过渡是否在固定 24 项子集上复现，同时记录文本通道变化。
代码方面，所给地址当前可以访问，但可达不等于已确认代码、权重或完整系统可用，具体能力以资源文档证据所列为准；权重方面，尚无法确认公开情况；完整系统方面，尚无法确认可用性。第三方链接的作者归属尚未确认。原始键值文件、全部波形、完整奇异谱与逐条评判输出不在附带包中，需要原本地产物才能做真 80 乘 80 几何、无截断能量秩或声学轨迹验证。
什么时候值得尝试与还缺哪项验证
当需要在冻结语音模型里比较、组合与调度说话方式请求，并能接受文本保真约束时，这套共享坐标值得作为测量起点；中层注入、tired 与 polite 类请求、Pace 类过渡是论文中观察到的较好操作点，可优先复测。不值得的是把总体均值当成通用控制器增益，或把某一子集最优直接部署到全部家族与全部层组。还需要补的验证是仅用训练数据拟合基底、跨模型重复、独立声学与听音确认，以及用完整评判元数据恢复评测器版本，再对有利子集做新鲜样本确认。
信息条件上，句子中心化需要同句控制库，单句部署、跨说话人与跨语言泛化都尚未评测。例子只能说明操作含义：从起点到终点的系数变化规定了向量路径，不等于测得的基频或能量轨迹，要区分终点选择与定时成功，仍需声学测量与过渡起点标注。
📎 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