📄 把情感做进条件里：Prime-EVC 如何用一步完成富有表现力的情感语音转换
英文题目：Prime-EVC: One-Step Expressive Emotional Voice Conversion via Emotion-Primed Flow Matching
标签：#语音转换 | #韵律与风格控制 | #流匹配 | #语音
评分：6.8/10 | 创新 1.3/2 | 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 1/1.5
👥 作者与机构
- Yu Pan：机构信息未在 arXiv HTML 中可靠披露
- Xiaojuan Cai：机构信息未在 arXiv HTML 中可靠披露
- Liang Zhang：机构信息未在 arXiv HTML 中可靠披露
- Yang Hou：机构信息未在 arXiv HTML 中可靠披露
- Tianjiao Zhang：机构信息未在 arXiv HTML 中可靠披露
- Yuguang Yang：机构信息未在 arXiv HTML 中可靠披露
- Jixun Yao：机构信息未在 arXiv HTML 中可靠披露
- Hiroshi Koide：机构信息未在 arXiv HTML 中可靠披露
- Lei Ma：机构信息未在 arXiv HTML 中可靠披露
- Jianjun Zhao：机构信息未在 arXiv HTML 中可靠披露
📌 核心摘要
情感语音转换输入一段语音，输出保持语义内容与说话人身份、仅将情感状态改为目标情感的语音。难点在于情感依赖细粒度的基频、能量与频谱时变结构，单步确定性采样容易将其平滑为条件均值。Prime-EVC采用编码、组装条件、渲染三段结构，冻结的HuBERT编码器与时长预测器先分离出与说话人和情感无关的内容序列，情感调制的说话人风格与情感方差适配器预测目标情感帧级基频和能量并经情感分类与频谱时变监督形成80维条件特征，DiT条件流匹配解码器再以单步欧拉步渲染目标梅尔谱并由BigVGAN声码器合成。与把情感实现留给多次迭代采样的扩散或条件流匹配系统不同，该方法让单步解码从已具备情感的条件出发。在ESD英语部分按官方划分将每条测试语音转至其余四种情感共6000次转换的评测设置下，单步Prime-EVC的UTMOS为3.37高于100步DurFlex-EVC的3.21，CER为4.40%低于后者的5.65%，WER为9.61%低于后者的11.95%，EECS为0.87高于后者的0.86，SECS为0.80高于后者的0.76。在16名听众对每系统100条转换语音的5分制主观评测中，单步Prime-EVC的nMOS为3.77高于100步DurFlex-EVC的3.69，eMOS为3.90高于后者的3.83。该结论适用范围限于ESD所述五种平行情感与已知说话人集合的英语实验，跨域泛化尚未验证；原文披露推理成本为声学模型加BigVGAN声码器在同款单张GPU批量为1时RTF为0.038，低于DurFlex-EVC 4步的0.132与100步的1.917，训练成本为单张NVIDIA A6000上批量16训练500000步。
🔗 开源与复现资源
第三方资源：https://yupan0v0.github.io/prime-evc/ — 链接可访问（HTTP 200）
第三方资源：https://github.com/glam-imperial/EmotionalConversionStarGAN — 链接可访问（HTTP 200）
第三方资源：https://github.com/KunZhou9646/seq2seq-EVC — 链接可访问（HTTP 200）
第三方资源：https://github.com/KunZhou9646/Emovox — 链接可访问（HTTP 200）
第三方资源：https://github.com/facebookresearch/fairseq/tree/main/examples/emotion_conversion — 链接可访问（HTTP 200）
第三方资源：https://github.com/hs-oh-prml/DurFlexEVC — 链接可访问（HTTP 200）
第三方资源：https://huggingface.co/openai/whisper-large-v3 — 暂时无法访问
第三方资源：https://huggingface.co/emotion2vec — 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
情感语音转换要改变什么、保留什么
情感语音转换的输入是一段源情感的语音，目标是输出同一句话、同一个说话人但情感变为目标类别的语音。例如把中性读的一句英文变成愤怒或高兴，同时不能把文字听错，也不能把人声变成另一个人。论文把要保留的信息分成两类：语言内容，即说了哪些音素和词序；非语言的说话人身份，即音色等与情感无关但随人变化的特征。要改变的是超语言的情感状态，它主要体现在音高起伏、能量强弱和谱包络细节上。
输出是 80 维梅尔谱，再经 BigVGAN 声码器变成 16 kHz 波形。理解这个任务时要抓住一点：情感不是一个全局标签一贴就行，它的声学实现是逐帧变化的韵律和音色修饰，如果条件只说要哪种情感而不给出具体韵律，解码器就得在采样时自己想象。
情感语音转换 × 内容 × 说话人身份： 情感语音转换指改变一句话的情感状态，同时保留它说了什么和是谁说的；内容指语言文字信息，说话人身份指音色等非语言特征，二者是转换时必须保留的对象，情感是需要改变的超语言属性，三者分工不同才需要解耦建模。
已有路线为什么快不起来或情感不够
论文梳理了 3 条路线。早期基于生成对抗网络和序列到序列的系统，以及带强度控制和无文本解耦的改进，推理较快但目标容易过平滑，转换后情感偏弱或不自然。第二条是扩散解码器，以 DurFlex-EVC 为代表，用离散单元建模内容加风格条件再做扩散解码，质量强但需要多步迭代去噪。第 3 条是条件流匹配，用更少的常微分方程步数解码，ClapFM-EVC 用基于 CLAP 的情感控制验证了可行性，但仍是任意到单一说话人且需要多次求值。
另有蒸馏多步教师或训练一步生成器的工作，但目标是通用加速而非情感转换。论文的比较前提是输入、目标和运行阶段相同：在同一 ESD 划分上重训官方实现，梅尔谱系统共用同一个重训的 BigVGAN，这样差异反映声学模型本身，而不是声码器或数据划分不同带来的差异。
论文认为单步做不好的真正瓶颈在哪里
论文提出一个判断：把目标情感的声学实现留给采样器，是低函数求值次数下做不好的原因。情感承载在细粒度的声学变化上，单步确定性常微分方程步倾向于向条件均值平滑，增加步数能让样本更锐利，但补不上条件本身没有指定的东西。换句话说，多步能改善信号保真度，不等于能补回缺失的情感韵律。
于是作者把情感转换的工作量在条件与采样器之间重新分配：在解码之前就组装出富含情感的条件，上游给出融合的说话人情感风格和帧级目标韵律，并用情感与谱时监督直接约束条件，使单步欧拉落到的均值本身就已经富有表现力，解码器残留的工作在一个欧拉步内可达。这个判断在第 4.3 节用对照实验验证，而不是只靠直觉主张。
编码条件渲染三段各负责什么
Prime-EVC 是编码条件渲染流水线。编码段沿用 DurFlex-EVC 的思路，用冻结的 HuBERT 编码器得到与说话人和情感无关的内容序列，再经时长预测器调整帧长，处理离散单元和时长，对应单元交叉熵和随机时长目标。条件段把融合的说话人情感风格和帧级目标韵律组装成帧级条件 μ，并直接监督。渲染段是用扩散 Transformer 即 DiT 的条件流匹配解码器，以帧级 μ 和全局风格为条件生成目标梅尔谱，再经 BigVGAN 合成波形。训练时用源等于目标的重构，推理时用源不等于目标的转换。下面先看官方总览图，再展开每个部件的输入输出。
下图是论文图 1 的官方原图，读图时先抓主数据流，再看风格分支与损失位置，不要把损失箭头误当数据流。
看图路径： 1. 先从左侧 Source 波形经 HuBERT 到 Content-style backbone 再到 EVA、μ、DiT-CFM、BigVGAN 到 Target 看主路径；2. 再看下方 Shared FiLM 如何同时分出 Source Style 和 Target Style 并分别送往内容去风格与韵律重着色；3. 对照顶部红色 L_unit、L_dur、L_f0、L_en、L_emo、L_stft、L_CFM 各箭头起点，区分作用在骨干、条件与解码器的监督；4. 注意 μ 是黄色细条汇合点，t 与 x_t 从下方进入 DiT-CFM，表示时间与插值梅尔是解码器的额外输入
论文图 1。原论文 Figure 1:：“Overview of Prime-EVC, an encode–condition–render pipeline.”。
图中从左到右是 Source 波形经 HuBERT 进入 Content-style 骨干，再经标为 f0 与能量分支的情感方差适配器汇成黄色 μ 条，进入 DiT-CFM 并在下方接收时间 t 与插值梅尔 x_t，最后经 BigVGAN 得到 Target 波形。下方共享 FiLM 同时输出源风格与目标风格，分别送回骨干做去风格与重着色。顶部红色箭头标出各损失的作用点，情感分类器与谱时损失都连向 μ 与目标梅尔谱，说明条件是被直接监督的，这正是单步可行的关键结构。
说话人相关情感风格如何用 FiLM 融合
同一情感在不同人声上有不同的谱与韵律表现，所以论文不把说话人与情感简单拼接，而是用特征线性调制即 FiLM 融合。说话人编码是 ESD 10 个说话人上的可学习嵌入，情感是 5 类可学习查找表向量，融合公式由情感决定逐维缩放与平移。对源情感与目标情感分别应用该融合，可得到源风格与目标风格，前者用于去除内容中的原情感，后者用于染上目标情感。训练时对情感嵌入乘以 0.2 到 1.2 均匀采样的强度因子，推理固定为 1，相当于在嵌入方向不变下扰动幅度，让模型见过连续强度变化。
条件流匹配 × 单步欧拉采样 × 函数求值次数： 条件流匹配学习一条从噪声到目标梅尔谱的最优传输路径上的速度场，采样就是沿该速度场做常微分方程积分；函数求值次数指解码器被调用几次，单步欧拉采样指只调用一次向前走一步，步数越少越快但一次走准的前提是条件已经给出足够明确的目标。
融合风格的具体计算是情感条件化的缩放加移位，输入是说话人向量与情感向量，输出是融合风格向量。
\[c=\gamma(e)\odot s+\beta(e),\]该式中乘法项让目标情感重加权每个说话人维度，加法项做整体搬移。论文明确给出这一设计理由并在消融中验证：去掉 FiLM 后情感相似度与说话人相似度同时下降，说明它同时管情感着色与身份保持。
情感方差适配器怎样把韵律提前写进条件
全局风格只说明要哪种情感，没有预测该情感需要的音高与能量，解码器就得在采样时发明它们。论文把这部分生成上移到条件：用 FastSpeech 风格的情感方差适配器即 EVA，从帧级内容出发并以融合风格为条件，预测帧级目标情感的对数基频与能量，再把它们经学习的 1 维嵌入加回内容流，最后经线性投影得到 80 维且与梅尔对齐的条件 μ。训练用教师强制即用真实轮廓注入，推理用自预测轮廓注入，预测器本身用均方误差并行学习。
情感方差适配器 × 对数基频 × 能量： 情感方差适配器是放在条件侧的韵律预测模块，对数基频对应听感上的音高轮廓，能量对应响度轮廓，二者是情感最直接的帧级声学载体，适配器先预测目标情感应有的轮廓再嵌回内容流，使条件本身就带有可听的情感起伏。
预测与回嵌的输入输出关系如下两式，先预测再相加。
\[(\hat{p},\hat{n})=\mathrm{EVA}(z_{\mathrm{frame}},c),\]\[\tilde{z}_{\mathrm{frame}}=z_{\mathrm{frame}}+E_{p}(p^{\star})+E_{n}(n^{\star})\]其中上标星号表示实际注入的轮廓，训练为真值推理为预测值。消融显示去掉该模块后情感指标大幅坍塌，是全模型中最关键的部件，说明韵律是情感能否被听出来的主要载体。
直接监督条件：情感判别与谱时包络
因为条件只被解码器消费一次且下游无法修正，论文对组装好的 μ 做两路直接监督。一路是轻量分类器对池化后的 μ 做交叉熵，要求 μ 具有情感可分性。另一路是谱时正则，要求 μ 每条梅尔通道的调制谱幅度接近目标梅尔谱，用谱收敛项与对数幅度项之和实现，给 μ 一个粗的谱时包络而不是逐点拷贝，避免用梅尔 L1 损失强制的过平滑。
情感分类损失 × 谱时监督损失 × 条件 μ： 条件 μ 是送给流匹配解码器的帧级 80 维向量，情感分类损失要求池化后的 μ 能被判为目标情感类，谱时监督损失要求 μ 各梅尔通道的调制谱包络接近目标梅尔谱，前者管情感可分性，后者管时间动态自然性，二者直接监督条件而不经过采样修正。
谱时损失只比较包络层面的动态，其形式如下。
\[\mathcal{L}_{\mathrm{stft}}=\mathcal{L}_{\mathrm{sc}}(\mu,x_{1})+\mathcal{L}_{\mathrm{mag}}(\mu,x_{1}).\]消融中去掉分类器主要掉情感相似度，去掉谱时监督主要掉自然度且可懂度略有回升，说明全文模型是在情感相似度与单一质量指标之间做了取舍，而不是所有指标同向最优。
DiT 条件流匹配解码器一步做了什么
给定条件 μ 后，解码器用基于最优传输的条件流匹配学习从噪声到目标梅尔谱路径上的速度场。训练时从标准正态采样噪声，与目标梅尔谱按时间插值得到中间状态，目标速度场是两者线性组合的导数，DiT 网络回归该速度场。输入是插值梅尔与 μ 沿特征轴拼接再加位置嵌入，时间与全局风格经自适应层归一化注入。推理时从噪声出发沿预测速度做一步欧拉即得输出。
最优传输路径与目标速度场的定义如下，符号含义是噪声、目标谱与极小方差常数。
\[x_{t}=\bigl(1-(1-\sigma_{\min})t\bigr)z+t\,x_{1},\hskip 10.00002ptu=x_{1}-(1-\sigma_{\min})z.\]FiLM 融合风格 × 说话人编码 × 情感查找表： 说话人编码表示十个 ESD 说话人之一的身份向量，情感查找表表示五类目标情感的方向向量，FiLM 融合风格用情感决定的缩放和平移去加权和搬移说话人维度，组合后得到同时携带是谁和要什么情感的全局风格，解决同一情感在不同人声上表现不同的问题。
需要强调的是该解码器本身并不创造情感韵律，它只是把条件中已有的情感内容忠实搬运到输出，回归解码器与均值流对照实验正是用来界定解码器分工的边界。
总目标包含哪些项与训练配置
所有模块联合端到端优化。总目标是流匹配损失加谱时损失、单元损失、时长损失、基频损失、能量损失与情感损失，其中谱时权重为 0.3 其余辅助权重为 0.1。骨干的单元交叉熵与随机时长目标沿用 DurFlex-EVC 不变。实现上模型约 98M 参数少于 DurFlex 约 159M，HuBERT 单元词表 200，说话人编码覆盖 10 个 ESD 说话人，DiT 为 12 层 512 维 8 头前馈扩展比 4，梅尔 80 维跳长 256 点数 1024。用 AdamW 优化，学习率为 1 乘 10 的负 4 次方，DiT 丢弃率 0.1，适配器丢弃率 0.3，在单张 A6000 上批量 16 训练 500,000 步。
实时率在同卡批量 1 下测声学模型加声码器全链路。本节是训练事实的陈述，损失权重是经验设定，论文未报告对权重的系统搜索，复现时应先保持原值。
数据划分、基线与指标如何保证可比
实验用 ESD 英文部分，5 种情感为中性、愤怒、高兴、悲伤、惊讶，用官方划分 16 kHz 音频，每个测试句转到其余 4 种情感共 6000 次转换。基线为 StarGAN-EVC、Seq2seq-EVC、Emovox、Textless-EVC 与 DurFlex-EVC，均用官方实现在同划分重训。主观由 16 名英语流利听众每系统评 100 条，分自然度与情感两个 5 分制，给出均值与 95% 置信区间。客观分五轴：UTMOS 表征自然度，Whisper-large-v3 加英文文本归一化得到字错率与词错率表征可懂度，emotion2vec 余弦对同说话人目标情感参考表征情感转换，Resemblyzer 余弦对同说话人目标情感参考表征说话人相似度，实时率表征速度。
梅尔谱系统共用同一重训 BigVGAN，表中原音与声码原音用不同同说话人同情感参考，给出各指标经验上界。试听页与基线链接在原文脚注给出，第三方链接只证明论文提到该地址，不证明作者已开源。
主结果：单步为何能同时拿下质量与速度
要回答的问题是单步 Prime-EVC 在相同声码器与划分下是否全面超过可比系统，以及相对多步最强基线的速度收益是多少。指标方向是自然度、情感与说话人相似度越高越好，错率与实时率越低越好。下表整理原文报告的客观数字，基线包含单步与多步 DurFlex 以区分条件与步数的贡献。
| 系统与步数 | 自然度 UTMOS 越高越好 | 可懂度 WER 越低越好 | 情感 EECS 越高越好 | 说话人 SECS 越高越好 | 速度 RTF 越低越好 |
|---|---|---|---|---|---|
| DurFlex 单步 | 1.32 | 29.25 | 0.32 | 0.47 | 0.077 |
| DurFlex 100 步 | 3.21 | 11.95 | 0.86 | 0.76 | 1.917 |
| Prime-EVC 单步 | 3.37 | 9.61 | 0.87 | 0.80 | 0.038 |
| 声码原音上界参考 | 3.42 | 5.85 | 0.95 | 0.84 | - |
Prime-EVC 单步在 UTMOS、错率、情感与说话人四轴均为转换系统最优，并把到声码上界的说话人差距从 0.08 缩到 0.04，实时率相对 DurFlex 的 4 步到 100 步快 3.4 到 50 倍。DurFlex 单步坍塌而 100 步才接近完整保真，说明多步基线的质量依赖采样步数。限制是该结论只在 ESD 英文、同划分与同声码器下成立，且客观最优不等于每条样本都优，主观另见下表。
主观听感是否与客观一致
要回答的问题是人工听感的自然度与情感是否同样支持单步方案。条件是 16 人每系统 100 条的 5 分制，报告均值与置信区间。下表只列原文明确给出的主观均值，不补猜其他基线。
| 评价维度 | Prime-EVC 单步 | DurFlex 100 步 | 参考原音 |
|---|---|---|---|
| 自然度 nMOS 越高越好 | 3.77 | 3.69 | 4.02 |
| 情感 eMOS 越高越好 | 3.90 | 3.83 | 4.06 |
| 客观 UTMOS 对照 | 3.37 | 3.21 | 3.65 |
Prime-EVC 在两项主观上均高于 100 步 DurFlex，与客观排序一致，支持富有表现力的条件使单步均值已具表现力的解释。但差距幅度不大且置信区间相邻，推广到其他语种、非平行情感或任意说话人前需要补验证，不能把本次英文平行语料上的领先直接当作通用优势。
拿掉条件部件后哪部分最疼
要回答的问题是情感提升究竟来自条件还是解码器。每行从完整模型去掉 1 个条件部件，下半部分是只用条件与换解码器目标的边界实验。下表保留原文的词错率、自然度、情感与说话人四列以兼顾收益与代价。
| 消融条件 | WER 越低越好 | UTMOS 越高越好 | EECS 越高越好 | SECS 越高越好 |
|---|---|---|---|---|
| 完整 Prime-EVC | 9.61 | 3.37 | 0.87 | 0.80 |
| 去 FiLM | 9.86 | 3.34 | 0.83 | 0.77 |
| 去强度扰动 | 9.55 | 3.35 | 0.82 | 0.80 |
| 去分类器 | 9.52 | 3.41 | 0.81 | 0.81 |
| 去谱时监督 | 9.17 | 3.23 | 0.85 | 0.80 |
| 去情感方差适配器 | 8.25 | 2.89 | 0.46 | 0.78 |
| 只用条件直接声码 | 196.4 | 1.48 | - | - |
| 回归解码器 | 9.92 | 2.79 | 0.67 | 0.78 |
情感方差适配器是决定性部件，去掉后情感相似度从 0.87 掉到 0.46，自然度从 3.37 掉到 2.89，接近无增强条件的下限。FiLM、强度与分类器主要锐化情感，去谱时监督损失自然度但词错率反而略好，说明完整模型偏向情感相似度而非单一可懂度。只用条件直接声码不可懂，回归解码器在同一下保留情感内容但只能恢复到 0.67，表明条件提供情感内容而解码器目标决定搬运保真度。换均值流保留情感但质量差，进一步说明目标选择影响质量而非情感有无。
增加采样步数补的是保真度还是情感
要回答的问题是步数预算到底买到什么。比较对象是完整 Prime-EVC 与只留全局风格的对照，后者关闭全部条件增强。下表保留原文的步数、质量、可懂度、情感、说话人与速度，以区分信号保真与情感身份两类收益。
| 模型与步数 | UTMOS 越高越好 | WER 越低越好 | EECS 越高越好 | SECS 越高越好 | RTF 越低越好 |
|---|---|---|---|---|---|
| Prime-EVC 1 步 | 3.37 | 9.61 | 0.87 | 0.80 | 0.038 |
| Prime-EVC 4 步 | 3.35 | 9.70 | 0.88 | 0.80 | 0.045 |
| Prime-EVC 16 步 | 3.37 | 9.64 | 0.87 | 0.80 | 0.078 |
| 对照全局条件 1 步 | 2.80 | 8.07 | 0.37 | 0.77 | 0.036 |
| 对照全局条件 16 步 | 3.24 | 7.87 | 0.44 | 0.78 | 0.077 |
Prime-EVC 从 1 到 16 步指标基本不变而耗时翻倍，单步已是帕累托最优。对照在单步已可用，说明单步解码本身不是瓶颈；随步数增加其自然度从 2.80 升到 3.24，但情感仅从 0.37 到 0.44，说话人几乎不动，证明额外步数买的是信号保真而非情感或身份。这也解释了为何 DurFlex 需要多步：它的条件缺少帧级韵律，只能靠采样锐化信号，未胜出项是全局条件对照的情感始终远低于完整模型，且对照的可懂度反而更好，提示情感增强与可懂度之间存在轻微张力。
结论的边界与容易误读的地方
首先是适用范围：全部定量与主观结论基于 ESD 英文官方划分与 6000 次平行转换，梅尔谱系统共用同一 BigVGAN，换语种、换采样率、换声码器或非平行任意说话人时是否成立尚未评测。其次是指标含义：UTMOS 是预测自然度的自动指标不等于人工，EECS 与 SECS 都是对同说话人目标情感参考的余弦相似度，数值相同不代表同一能力，百分点差异也不能读成相对百分比提升。再次是速度口径：实时率在 A6000 批量 1 下含声码器，3.4 到 50 倍是相对 DurFlex 4 步到 100 步的区间，不是相对所有基线。
还有一个常见误解是把单步成功归于流匹配本身更强，对照实验恰好否定了这一点：无增强条件的流匹配加步数也补不上情感，关键是条件侧提前给了音高能量与风格。缺证据不等于技术缺陷，例如强度因子范围与损失权重未做系统搜索，只是尚未验证最优。
复现第一步做什么与需要哪些信息
值得尝试的情形是已有平行或可对齐的情感语料，且希望在低延迟下保留情感表现力，此时优先复用条件侧设计而非一味增加采样步数。复现第一步是按原文搭建编码条件渲染链：冻结 HuBERT 取内容单元并训练时长，按 5 类情感与十说话人实现共享 FiLM，训练情感方差适配器预测对数基频与能量并用教师强制回嵌，再对 μ 加情感分类与调制谱包络监督，最后训练 12 层 DiT 的条件流匹配并固定单步欧拉推理。
关键超参数与信息条件要保留：梅尔 80 维跳长 256 点数 1024，单元词表 200，谱时权重 0.3 其余 0.1，强度训练采样 0.2 到 1.2 推理固定 1，学习率与丢弃率按原文设置。代码、权重与可运行系统是三件事，本篇只在脚注给出第三方基线与试听页链接，本次校验仅确认部分第三方链接可达，未确认作者资源已公开，复现前应先核对所用仓库与权重是否与论文版本一致，还需要补非英文、噪声下与长句韵律的验证。
一句话总结与后续要补的验证
Prime-EVC 的思路可以概括为把难做的情感韵律从采样器搬到条件里：风格融合解决情感在不同人声上的不同表现，方差适配器给出目标情感应有的音高能量，分类与谱时监督让条件既可分又自然，解码器只做一次搬运。在 ESD 英文、同划分与同声码器下，单步达到客观全优与主观领先且更快，但情感与可懂度之间仍有轻微权衡，对照证明步数主要改善保真度。后续若要推广，需要补跨语种、任意说话人、真实录音环境下的情感与身份保持测试，并公开与版本对齐的代码权重以确认单步在其他流水线上的稳定性。
📎 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