📄 为人工耳蜗语音挑选合适的情感模板：SEER 怎么做检索增强
英文题目：SEER: Source-Conditioned Emotion Enhancement via Retrieval for Cochlear-Implant Speech
标签：#语音转换 | #检索增强 | #语音 | #助听器 | #主观评测
评分：6.8/10 | 创新 1.5/2 | 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 0.1/0.5 | 工程/实践 1/1.5
👥 作者与机构
- Hsing-Hang Chou：机构信息未在 arXiv HTML 中可靠披露
- Yun-Shao Lin：机构信息未在 arXiv HTML 中可靠披露
- Ching-Chin Sung：机构信息未在 arXiv HTML 中可靠披露
- Chi-Chun Lee：机构信息未在 arXiv HTML 中可靠披露
📌 核心摘要
人工耳蜗恢复了言语可听度，但会削弱基频等与情感感知相关的线索，输入为普通情感语句、输出为经过模拟耳蜗处理后仍可被识别的增强语音是本文任务难点。已有增强方法需要同一说话人和同一句子的普通与夸张并行录音，难以推广到普通分类情感语料。SEER先用情感识别模型检验候选参考在洁净与耳蜗模拟下是否均被正确识别，通过者构成同情感参考库，为后续选择提供可识别的表达模板。价值评估模型消费来源时序编码与参考描述符构成的联合表征，预测每对来源-参考的转换效用并选定效用为正的最高分参考，预测为负时保留原音。为学习该效用，采样得到的参考条件情感语音转换输出与原音一起接受洁净与耳蜗模拟下的情感识别对比，形成耳蜗感知的引导奖励来监督价值评估模型，不确定性引导的采集规则平衡利用与探索以避免穷举全部配对。最终转换模块消费选定参考与来源语句，用参考条件情感语音转换将参考表达迁移到来源上并保留内容与说话人特征，输出增强语音。相对来源，该方法在ESD数据集N8通道条件下将宏平均F1提高11.66个百分点，在RAVDESS提高7.30个百分点，同时把词错误率控制在低于固定参考的水平。结论适用于所测的模拟器通道数和生气、高兴、悲伤三类情感，RAVDESS N4稀疏条件下客观未改善，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://github.com/HenryChou36/SEER — 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
人工耳蜗语音为什么需要单独做情感增强
这篇论文的输入是已经带有愤怒、开心、悲伤等情感类别标注的语音，目标是在经过人工耳蜗处理之后，听者或识别模型仍能判断出原来的情感类别。必须保留的信息包括语言内容和说话人特征，不能为了夸张情感而把话说糊或换了一个人。输出是增强后的语音，或者在预测没有正收益时直接保留原音。
背景是人工耳蜗恢复了对语音的听觉通路，但电听对基频等情感相关线索的传输不足，正常听力者听经过声码器处理的语音和人工耳蜗用户都表现出情感识别下降，还有偏向中性的倾向。已有情感识别模型在植入体仿真下同样退化，所以论文把评估放在仿真后，而不是只看干净语音的情感强度。对刚入门的读者来说，关键是把情感可识别性理解为处理链末端的保留问题，转换发生在前端，成败要在后端仿真后判定。
已有路线为什么依赖平行录音和强度标签
论文对比了两条已有路线。第一条是夸张表达更有帮助的感知发现，儿童指向的夸张情感语音、夸张韵律和对应情感表达的夸张化在频谱退化或人工耳蜗用户中更易识别，这说明增强方向是存在的。第二条是 Brueggeman 和 Hansen 用 JD-NMF 学习从普通到强烈的转换，它需要同一说话人、同一句子的普通与强烈配对录音，还需要明确的普通与强烈强度区分，录制的强烈语音整体更易识别，但转换后的听辨增益有限且与情感有关。论文指出这种依赖限制了它在只有类别标签的通用情感语料上的使用。
另一条相关路线是参考条件的情感语音转换，它用一个独立参考的情感表达去引导源语音，不要求平行句子，因此普通类别语料可以直接作为参考库。SEER 的位置是接住后者剩下的选择问题：转换器已经可用，但每个源该跟哪一个同情感参考走，仍需要学习。
每个源该跟哪一个参考走
论文把具体问题定义为源特定的参考选择。即使参考本身在植入体仿真前后都能被正确识别，把它的表达搬到另一个说话人、另一句话上时，效果不一定迁移。穷举每个源和同情感全部参考的配对再做转换和仿真评估，可以找到合适的模板，但代价随语料和参考库规模快速增长。SEER 因此只用一部分采样配对的转换后结果来学习选择。训练时不需要平行录音，也不需要强度标签。
推理时对每个源在同情感子库内打分，选分数最大且为正的参考做 1 次转换，否则保留源语音。这种保留机制很重要，它把增强变成有条件的动作，避免对所有源强制转换。
SEER 的整体流程是怎样的
从一个样本看，输入是一句源语音和它所属的情感类别。系统先在只包含同情感的参考库中检索，得到一个候选参考，然后用 Maestro-EVC 把源语音向该参考的表达偏移，保留内容和说话人，再把结果送入人工耳蜗仿真，最后用情感识别评估仿真后的可识别性。训练阶段还有两条辅助路径，一条用采样配对的实测奖励构造效用目标，另一条用采集分数决定下一批评估哪些配对。图 1 把这四块画在一起，读图时先走主增强路径，再看打分、奖励和采样的支撑关系。下段先给出读图说明，再展示原图，之后解释各面板的实际含义。
下面这段是图 1 的读图说明，请沿从源语音到仿真后输出的主箭头看整体增强方向，再分别确认检索器内部的源支路与参考支路、奖励模块中原音与转换输出的并行评估、以及探索模块中排序与回传更新的闭环位置。
看图路径： 1. 先沿左上面板从源语音经检索器、参考库、转换器到植入体仿真的主路径看输入输出关系；2. 再看右上检索器中源编码器、参考编码器如何汇入效用打分器；3. 再看右下探索模块中排序候选与更新检索器的回路；4. 最后看中间奖励模块中原音与转换输出如何并行接受识别与仿真
论文图 1。原论文 Figure 1:：“SEER framework: (a) retrieves a reference to improve post-CI emotion recognizability; (b) estimates source–reference utility; (c) derives its CI-aware target; and (d) uses…”。
图 1 包含 4 个面板。(a) 是总览，源语音经过源条件检索器从参考库中取参考，再经情感语音转换和植入体仿真，检索分数决定转换或保留。(b) 是源条件检索器，源语音和参考语音分别经过情感编码和各自的编码器得到表示，再由效用打分器输出预测效用，同时源支路还有情感分类器。(c) 是人工耳蜗感知的引导奖励，原音和转换输出在干净与仿真条件下都接受情感识别，差值形成效用目标。(d) 是参考探索，排序候选取前列配对做实际评估，再与历史采样一起更新检索器。理解这张图就能复述 SEER 的数据流向：检索决定方向，转换执行方向，仿真后评估决定方向是否值得。
源语音和参考语音如何变成可比较的表示
检索器要比较的不是波形本身，而是情感相关的表示。论文用 Maestro-EVC 的情感编码器抽取随时间变化的情感嵌入，对参考侧把该嵌入的均值和标准差，与平滑后的梅尔谱帧能量和均值归一化基频的均值、标准差、极值和分位数、有声帧比例、时长拼接成 2064 维描述子，再经参考编码器投影为 128 维。源侧用基于 Transformer 的时间编码器把源语音的情感嵌入聚合成 128 维，并接一个辅助分类器，该分类器用标注监督，训练时帮助源表示保留情感信息，还在有无标注时决定使用哪个同情感子库。参考表示与源表示维度一致后才能做配对打分。
情感语音转换 × 参考库： 情感语音转换指在保留源语音的语言内容和说话人特征的同时，把源语音的情感表达向参考语音靠拢；参考库指通过植入体仿真前后都能被正确识别的训练录音集合。两者搭配的意义是转换提供不需平行录音的增强手段，参考库提供可用的情感模板，组合后每个源语句都有多个可能的增强方向，问题转化为如何挑选。
这种设计的实际作用是把变长的韵律和频谱信息压缩成定长向量，同时保留均值之外的分布形状和基频动态，因为情感差异常体现在变化范围和时变模式上，而不只是平均音高。代价是描述子依赖手工统计量和平滑处理，对基频提取错误和时长差异敏感，但好处是参考侧不需要训练复杂的时序模型，也能进入统一的比较空间。
效用分数如何计算并决定转换或保留
在同情感子库内，打分器把两个 128 维表示的绝对差和逐元素乘积拼接后映射为预测效用，数值越大表示预期增强收益越大。绝对差刻画距离，逐元素乘积刻画方向一致性，两者拼接让模型同时看到差异大小和协同关系。检索时取分数最大的参考，若最大分数仍不为正，则保留源语音不做转换。打分器中间 64 维表示还会复用于探索，说明预测与采样共享同一种配对相似结构。
\[\hat{u}_{\theta}(x,r)=s_{\theta}([|h_{x}-h_{r}|;h_{x}\odot h_{r}]).\]上式中 x 是源语音，r 是参考，hx 和 hr 是各自的 128 维表示，方括号内是绝对差与逐元素乘积的拼接，s 是打分映射，输出是预测效用。初学者可以这样复述：先把源和参考变成等长向量，再把它们的差异和交互特征送入打分器，分数为正才值得转换。
源条件检索器 × 效用分数： 源条件检索器指根据源语音和候选参考的联合表示预测配对好处的模块；效用分数指它对源语音与参考语音这一对输出的预期增强收益打分。检索器负责比较，分数负责排序和是否保留原音的决策，组合后系统能对不同源给出不同的参考选择，而不是全库共用一个固定模板。
人工耳蜗感知的奖励目标如何构造
监督来自对采样配对的实际测量。论文用预训练的 Emotion2Vec+ Large 对采样转换结果和对应原音，在干净与植入体仿真条件下打分，再把 9 类分数在愤怒、开心、悲伤和中性上重归一化。c 表示干净与仿真后都判对目标情感的保持指示，q 表示干净判对时乘以仿真后目标情感的置信度。效用目标是转换与原音在 c 上的差，再加 0.1 倍的 q 差。前者取值为正一表示修好保持，负一表示损害，零表示无变化，后者提供更细的置信度引导。
\[u(x,r)=c(\tilde{x}_{r})-c(x)+\tau[q(\tilde{x}_{r})-q(x)],\quad\tau=0.1.\]上式中波浪线输出是转换语音，C 是植入体仿真，tau 取 0.1。这种构造把学习目标锚定在仿真后的可识别性变化上，而不是干净语音的情感强度。训练损失是该效用目标与预测效用的均方误差，加上源情感分类的交叉熵，共同更新检索器和源编码器。
采集分数 × 不确定性奖励： 采集分数指预测效用加上不确定性奖励后的采样依据；不确定性奖励指根据历史已评估配对覆盖程度给少见方向的加分。预测负责利用当前经验，不确定性负责探索未充分采样的配对，组合后采样不会过早集中在少数热门参考上，从而用部分配对的实测结果训练检索器。
如何用少量采样避免只盯着当前热门参考
因为只有被实际评估的配对才有奖励目标，若每次都按当前预测最高去查，就会强化早期错误并集中在少数参考上。论文借用 Neural-LinUCB 的浅层探索思想，把 64 维打分隐表示归一化后补一个偏置并缩放成 65 维，再用历史最多 16384 个已评估配对构造单位岭矩阵，采集分数等于预测效用加不确定性奖励。每个源取采集分数最高的前 4 个参考做实际评估，连同原音基线形成当前批次，再与采样的历史配对一起训练。由于打分隐表示在学习中变化，该矩阵每 16 次更新重建 1 次。
需要强调的是，采集只用于决定评估哪些配对，最终检索仍用预测效用。原文没有把探索超参数之外的训练细节都展开，缺失的是优化器和学习率等完整训练配置，复述时不应自行补写。
数据、划分、仿真和评价条件是什么
实验用 RAVDESS 的 24 名演员和英文 ESD 的 10 名说话人，只保留愤怒、开心和悲伤作为目标情感。RAVDESS 按演员不重叠划分训练、验证和测试，包含 384、96 和 96 句普通与强烈发音，ESD 为 9000、600 和 900。参考库只从训练数据构建，分别包含 281 和 6630 条录音，入库条件是 Emotion2Vec+ Large 对原音及其仿真版本都判对标注情感。每个数据集单独训练一个 Maestro-EVC 主干，训练时还加入中性和惊讶，检索时只检索目标情感。优化目标是 N8，即从 22 通道 CI24 风格 PSHC 声码器选 8 个最大值，N4 和 N16 用于测试更稀疏和更稠密的频谱信息。
训练批平衡保留与失败，验证集 N8 宏平均 F1 选检查点。评价用情感识别的宏平均 F1，中性算错误，方向越高越好，可懂度用词错误率，方向越低越好。
人工耳蜗仿真 × 情感识别： 人工耳蜗仿真指用 22 通道 CI24 风格的 PSHC 声码器模拟电听处理，按 N4、N8、N16 选择不同数量的频谱最大值；情感识别指用 Emotion2Vec+ Large 判断仿真前后语音的情感类别。两者搭配是把增强效果放在植入体处理后的可识别性上衡量，组合后奖励和评价都直接面向植入体后的情感保留，而不是干净语音的好听程度。
比较对象包括源普通语音、RAVDESS 配对的强烈语音、JD-NMF、在 SEER 池中按 N8 保持率 Wilson 下界选出的每情感固定参考，以及 SEER。固定参考的选取要求覆盖至少一成同情感训练源，转换时同情感所有源共用它。客观评估用全部 48 句 RAVDESS 普通测试源，并与同情感 281 参考穷举配对做结构分析。主观评估是 16 名听者每人 279 试次，覆盖 24 句重复一的源、4 个系统和 3 个仿真条件。统计用双侧检验加 Holm 校正，客观表用 10000 次配对置换，主观表用听者符号翻转。
宏平均 F1 × 词错误率： 宏平均 F1 指在愤怒、开心、悲伤等多个情感类别上先算每类分数再平均的识别分数，越高表示情感保留越好；词错误率指用 Whisper large-v3-turbo 转写后与原文不一致的词比例，越低表示可懂度越好。两者搭配是同时检查增强是否保住了情感，又是否损伤了语言内容，组合后能揭示情感收益伴随的可懂度代价。
客观指标显示情感收益和可懂度代价各是多少
比较的核心问题是在相同仿真和识别条件下，增强是否提高了仿真后的情感宏平均 F1，又付出了多少词错误率代价。表头方向是 F1 越高越好，词错误率越低越好，星号表示相对源语音在校正后显著。公平条件是同一数据集、同一 N 条件、同一识别与转写模型，SEER 与固定参考都基于同一检查点池，JD-NMF 在 RAVDESS 训练后直接用于 ESD。
| RAVDESS | RAVDESS | RAVDESS | RAVDESS | RAVDESS | RAVDESS | RAVDESS | RAVDESS | ESD English | ESD English | ESD English | ESD English | ESD English | ESD English | ESD English | ESD English | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Clean | Clean | N4 | N4 | N8 | N8 | N16 | N16 | Clean | Clean | N4 | N4 | N8 | N8 | N16 | N16 | |
| Model | F1 | WER | F1 | WER | F1 | WER | F1 | WER | F1 | WER | F1 | WER | F1 | WER | F1 | WER |
| Source (Normal) | 97.78 | 0.00 | 80.35 | 1.39 | 78.26 | 1.39 | 80.33 | 0.00 | 97.87 | 3.94 | 58.71 | 10.99 | 57.09 | 5.82 | 70.46 | 5.04 |
| Source (Strong) | 95.82 | 0.00 | 75.56 | 3.13 | 83.05 | 1.04 | 89.47 | 0.69 | – | – | – | – | – | – | – | – |
| JD-NMF | 87.26 | 8.33 | 71.17 | 64.58 | 72.26 | 27.43 | 72.84 | 11.81 | 83.46 | 14.64 | 55.90 | 53.10 | 56.20 | 35.91 | 64.04 | 29.51 |
| Fixed reference | 100.00 | 1.74 | 84.10 | 3.82 | 79.23 | 2.43 | 91.77 | 2.08 | 98.44 | 10.42 | 70.29∗ | 22.41 | 69.66∗ | 14.19 | 83.95∗ | 11.98 |
| SEER (Proposed) | 100.00 | 0.35 | 80.13 | 2.08 | 85.56 | 1.39 | 95.82∗ | 1.04 | 99.11∗ | 7.13 | 68.23∗ | 16.62 | 68.75∗ | 10.00 | 82.06∗ | 8.48 |
从该完整原表看，SEER 在 N8 目标上把源语音宏平均 F1 在 RAVDESS 从 78.26% 提高到 85.56%，在 ESD 从 57.09% 提高到 68.75%，对应 7.30 和 11.66 个百分点的增益。ESD 在 N4、N8、N16 均显著，说明为 N8 学到的线索能迁移到更稀疏和更稠密条件。RAVDESS 的 N16 增益 15.48 个百分点显著，但 N4 没有改善，说明在最稀疏条件下迁移不可靠。与 JD-NMF 相比，SEER 在 6 个数据集与仿真组合上高 8.96 到 22.98 个百分点。代价方面，稀疏条件下增强普遍抬高词错误率，例如 ESD N4 固定参考把词错误率从 10.99% 抬到 22.41%。
SEER 相对固定参考在 RAVDESS N8 把 F1 从 79.23% 提高到 85.56%，N16 从 91.77% 提高到 95.82%，在 ESD 保持在 0.91 到 2.05 个百分点内，同时所有条件词错误率都更低，包括 RAVDESS N8 从 2.43% 降到 1.39%，ESD N8 从 14.19% 降到 10.00%。结论的成立条件是同一仿真器和同一识别模型，换仿真器或真机听者时数值会变。
听辨结果是否支持同样的增益
主观比较要回答的是在真实听者下，SEER 是否仍优于源语音和 JD-NMF，以及与录制的强烈语音差多少。评价条件是 16 名听者、每人 279 试次、行列为真实与感知情感的混淆矩阵，指标方向仍是宏平均 F1 越高越好。下段先给出图 2 的读图说明，再展示原图，之后结合表格解释情感边界的变化。
下面这段是图 2 的读图说明，请先看 4 个面板标题区分源语音、强烈语音、JD-NMF 和 SEER，再按行看每种真实情感被听成 4 类的比例变化，重点比较对角线正确率与中性列的收缩情况。
看图路径： 1. 先确认行是真实情感、列是听辨结果，比较四个面板的对角线集中程度；2. 重点看 SEER 面板中愤怒行的变化和中性列的下降；3. 再看开心行中愤怒误判是否增多；4. 最后看悲伤行中中性误判是否仍明显
论文图 2。原论文 Figure 2:：“N8 subjective confusion matrices (%), where rows/columns denote intended/perceived emotion and A/H/S/N denote Angry/Happy/Sad/Neutral.”。
图 2 显示 N8 下的行百分比混淆。SEER 把愤怒识别从 31.3% 提高到 82.0%，中性误判从 42.2% 降到 5.5%。开心识别从 32.0% 提高到 42.2%，中性从 59.4% 降到 37.5%，但被听成愤怒从 0.8% 升到 14.8%。悲伤识别与源语音接近，63.3% 对 60.9%，愤怒与开心误判下降，但中性从 31.3% 升到 38.3%。这说明增强改善了部分边界，但开心与愤怒、悲伤与中性在仿真后仍难分开。
下面表格比较的问题是同一听辨任务下各系统在 N4、N8、N16 的宏平均 F1，条件一致，星号表示相对源语音显著。
| Method | N4 | N8 | N16 |
|---|---|---|---|
| Source | 46.42 | 52.66 | 58.71 |
| JD-NMF | 64.06∗ | 62.97∗ | 65.71 |
| SEER | 68.37∗ | 70.14∗ | 67.39∗ |
该表显示 SEER 相对源语音在 N4、N8、N16 分别提高 21.94、17.48 和 8.68 个百分点，三处经 Holm 校正后仍显著，并超过 JD-NMF 1.68 到 7.17 个百分点。录制的强烈语音最高，为 77.91% 到 83.11%，证实夸张表达在仿真后整体更易识别。主观增益的成立条件是这组正常听力者听仿真语音，不能直接推广为人工耳蜗用户的临床效果，论文未来工作也提出要补人工耳蜗听者奖励和更广覆盖。
强度、性别和内容是否解释了参考的好坏
这一节要回答的是挑选参考时能否用简单规则代替成对预测。方法是把全部 48 句 RAVDESS 普通测试源与同情感 281 参考穷举配对，转换加仿真后统计情感保持成功率，再按强度、性别是否相同、内容是否相同分组比较。下表比较的问题正是这 3 组因素在 N4、N8、N16 的平均保持率，星号表示组间显著。
| Factor | Groups | N4 | N8 | N16 |
|---|---|---|---|---|
| Intensity | Normal/Strong | 56.0/65.1∗ | 59.4/63.1 | 64.5/75.1 |
| Gender | Diff./Same | 60.7/62.8 | 61.7/62.8 | 70.6/71.3 |
| Content | Diff./Same | 62.0/60.9 | 61.7/61.9 | 69.6/71.4 |
性别相同与不同只差 0.7 到 2.1 个百分点，内容相同与不同只差 0.2 到 1.8 个百分点，都不显著，支持不要求说话人和句子匹配的非平行参考库。强度总体是强烈高于普通，N4 为 65.1% 对 56.0%，N8 为 63.1% 对 59.4%，N16 为 75.1% 对 64.5%，但经 Holm 校正后只有 N4 显著。因此强烈表达总体有用，但在 N8 和 N16 上单凭强度不足以作为源级别规则，这正是需要成对效用估计的理由。该结论只在该语料和穷举配对范围内成立，未胜出项是性别与内容匹配，它们没有带来显著好处。
哪些条件下结论不成立或尚未验证
首先是仿真条件的局限。训练面向 N8，客观上 ESD 能迁移到 N4、N8、N16，RAVDESS 在 N4 迁移失败，说明最稀疏通道下的结论不稳定。其次是情感边界的不均匀。主观上愤怒改善大，开心部分改善但引入愤怒混淆，悲伤基本持平且中性混淆仍在，自动指标的平均增益不能推广到每个情感。再次是评价主体的局限。
客观奖励和主结果依赖 Emotion2Vec+ Large，主观是正常听力者听仿真语音，不是人工耳蜗用户，论文也把人工耳蜗听者奖励列为未来工作。还有可懂度代价，增强在稀疏条件下会抬高词错误率，SEER 只是相对固定参考更小，不是零代价。最后是范围，实验只覆盖 3 种目标情感和两个语料，性别与内容无显著差异的结论也只在该穷举范围内成立。
复现第一步要准备什么
复现应从数据与评价链开始，而不是先调检索器。第一步是按演员不重叠划分 RAVDESS，准备英文 ESD，按论文切出目标情感加中性和惊讶用于转换主干，用训练集构建参考库并执行入库筛选，即识别模型对原音和仿真版本都判对才入库。然后固定 PSHC 声码器配置和 N4、N8、N16 设置，固定 Emotion2Vec+ Large 的 9 类重归一化和 Whisper large-v3-turbo 转写流程，先复现源语音的基线分数，再接入 Maestro-EVC 做固定参考转换，确认能跑通转换加仿真加识别的完整链路。
检索器训练时要保留平衡保留与失败的采样、验证集 N8 宏平均 F1 选点、历史容量和每 16 步重建矩阵的设置。论文直接列出 HenryChou36/SEER 的 GitHub 链接，起点与终点地址相同，当前可以访问，但链接可达不等于已经确认代码、权重或完整系统可用，代码、权重和可运行系统要分开确认。实现细节和演示音频以原文链接指向的材料为准，缺失的优化器等超参数不要猜测，尚无法确认的内容就如实写尚无法确认。
什么时候值得尝试还缺哪项验证
当任务是植入体处理后的情感可识别性，且只有类别标签而无平行强弱录音时，SEER 的思路值得尝试：用类别语料建参考库，用少量采样配对学习源特定的选择，并保留预测无正收益的原音。复现的第一步是搭通转换加仿真加识别的评价链，再训练检索与探索。还需要补的验证是更稠密与更稀疏仿真之外的泛化、更多情感类别、真实人工耳蜗听者的听辨，以及可懂度与延迟等部署成本的测量。
容易产生的误解是把强烈语音整体更易识别等同于每个源都该用最强参考，穷举分析显示强度总体有帮助但源级别不足以定选择。另一个误解是把固定参考的增益当成可部署增益，固定参考是按保持率下界事后选出的每情感模板，SEER 的价值恰在于对不同源给出不同选择，并在保持相近情感收益时降低可懂度损失。
📎 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