📄 笑声、叹息也要听懂和生成：NVVSpeech 挑战赛在做什么
标签：#语音识别 | #基准设计 | #文本到语音 | #基准测试
评分：6.3/10 | 创新 1.2/2 | 技术严谨 1/1.5 | 实验充分 1/1.5 | 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
- Liumeng Xue：机构信息未在 arXiv HTML 中可靠披露
- Yuang Cao：机构信息未在 arXiv HTML 中可靠披露
- Jingbin Hu：机构信息未在 arXiv HTML 中可靠披露
- Qirui Zhan：机构信息未在 arXiv HTML 中可靠披露
- Huakang Chen：机构信息未在 arXiv HTML 中可靠披露
- Yibin Zheng：机构信息未在 arXiv HTML 中可靠披露
- Yunxiang Chen：机构信息未在 arXiv HTML 中可靠披露
- Houdun Liu：机构信息未在 arXiv HTML 中可靠披露
- Su Feng：机构信息未在 arXiv HTML 中可靠披露
- Haibin Wu：机构信息未在 arXiv HTML 中可靠披露
- Zheng Lian：机构信息未在 arXiv HTML 中可靠披露
- Wei Xue：机构信息未在 arXiv HTML 中可靠披露
- Bengu Wu：机构信息未在 arXiv HTML 中可靠披露
- Hui Bu：机构信息未在 arXiv HTML 中可靠披露
- Lei Xie：机构信息未在 arXiv HTML 中可靠披露
📌 核心摘要
非言语发声指笑、叹息、呼吸、咳嗽等与词语并存的声音，难点在于同时判断是否出现、属于十六类中的哪一类、相对词语出现在何处，以及合成时能否发出可听且位置正确的声音。挑战设置两条赛道，理解赛道输入语音输出带内联标签的文本，生成赛道输入带标签文本输出语音，评测同时考察事件识别、位置误差与词语正确率，或事件可控性与感知质量。参赛方法先构造或清洗带位置的事件监督，形成带内联标签的训练语音，为模型适配提供可学的位置目标。再把预训练语音模型适配到带标签语音，使其直接生成词语与标签，其输出的带标签转写或合成候选进入下一步筛选。最后用辅助模型在推理时筛选候选或在训练中提供偏好反馈，对事件存在、类别与语音完整性打分，只保留事件可控且词语完整的输出。参与系统在理解赛道双语平均分上，Moss-Transcribe在官方测试集上以\(S_1\)指标取得66.32分，高于同期基线的33.32分，但呼吸与气喘等类别依然最弱。结论适用于所用测试集与指标权重，数据增补或重采样不能保证修复标注缺失，自动评分与人工听感排序存在分歧，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://nvvspeech-challenge.github.io/ — 链接可访问（HTTP 200）
第三方资源：https://github.com/NVVSpeech-Challenge/NVVSpeech-Challenge-Track1-Baseline — 链接可访问（HTTP 200）
第三方资源：https://github.com/NVVSpeech-Challenge/NVVSpeech-Challenge-Track2-Baseline — 链接可访问（HTTP 200）
第三方资源：https://huggingface.co/datasets/NVVSpeech-Challenge/Burp_data — 暂时无法访问
第三方资源：https://huggingface.co/datasets/NVVSpeech-Challenge/NVVSpeech-Challenge-Track1-Test-Set — 暂时无法访问
第三方资源：https://huggingface.co/datasets/NVVSpeech-Challenge/NVVSpeech-Challenge-Track2-Test-Set — 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
为什么词以外的笑声和呼吸也需要被系统处理
自然对话里，词表达字面意思，笑、哭、叹息、呼吸、咳嗽、清嗓、喷嚏、喘息、打呼、哈欠、哼声、呻吟、嘶声、咂嘴、打嗝、吸鼻等发声也在传递情绪、调节轮流说话或反映生理状态。论文把这类现象统称为非言语发声，覆盖中文和英文共 16 类。如果语音识别只写对词而漏掉笑声，转录在字面上是对的，但在交际含义上是不完整的；如果语音合成读对了词却没有发出要求的笑声或放错了位置，合成语音可以很清楚，却没有完成可控表达的要求。所以这篇综述强调的中心任务是同时处理四件事：判断有没有事件、判断是哪一类、说清它相对词的位置、在生成时用合适的声音形式实现它。
非言语发声 × 内联标签 × 转录相对位置： 非言语发声指笑、叹息、呼吸、咳嗽等词以外的发声，内联标签如[laugh] 是把它写进文字转录串里的方法，转录相对位置指该标签插在哪些词之前或之后，三者组合后，系统既要认出是什么事件，又要说清它发生在话语的哪里，才能在理解和生成中对应起来。
对刚入门的读者，一个直观的例子是：输入一段先说话后笑的音频，理想的理解输出不是只有词，而是词串中在恰当断点插入[laugh] 这样的标记；反过来，生成任务的输入就是带有[laugh] 标记的文本，系统要输出词可懂、笑声可听且位置自然的音频。这里的例子只是帮助理解输入输出形式，不代表任何数值效果。后续所有数字都以论文报告为准。
已有资源和评测分别解决了什么，还缺什么
论文先梳理了互补的两条进展。一是带标注语料和构造管线：包括英、中和双语的非言语标注语料，以及可扩展标注和合成数据管线，降低了造数据的成本。文中提到的公开资源包括双语媒体语音、带词级标注、表演式和中文表现力数据、英文对齐数据与情感标签、合成语音，以及区分离散事件和与语音重叠事件的评测集，还有 1500 条经模型过滤但未经人工核验的双语打嗝合成补充集。二是评测从总分走向分解：转录侧用区分词错与事件检测定位错误的指标，生成侧用考察可控性、位置、显著性和语音质量的框架。
但作者指出，这些工作用了不同的分类体系、标注粒度和语言覆盖，评测协议也不统一，直接比较很困难，总分还可能掩盖具体弱点。这正是组织挑战赛的动机：在共享的中英任务定义、测试集和打分协议下，让不同的训练与适配策略可以放在一起看，同时在解释结果时考虑资源差异。
挑战赛要系统输出什么，保留什么信息
挑战赛不提供固定训练集，采用开放资源制，允许使用外部数据和模型，但要遵守许可并披露，输出必须自动生成。任务覆盖中文普通话和英语，16 类事件用[laugh] 这类内联标签表示类别和转录相对位置。第一赛道是理解：把语音转成词加非言语标签的文本，每个预测把话语编号和带标签转录配对，要求保留事件类别和位置。第二赛道是生成：把带标签文本合成语音，要求实现被请求的事件，同时保持可懂度、自然度和声音连续性。图 1 把这种互补关系画得很清楚。
测试条件是：理解赛道发布 985 条中文和 961 条英文录音，不公开参考转录和事件标注；生成赛道每种语言提供 800 条带标签提示。理解与生成的最终榜单分都是中文分和英文分的算术平均，生成最终排名还把自动评估与人工听感按比例结合。开放资源意味着分数差异不能只归因于结构，数据多少、标注质量和语言覆盖都会影响结果。
两个赛道如何对应，十个系统从哪里入手
从一个样本看全流程最清楚。理解侧的样本从波形出发，经过识别模型得到词串，模型还要在词串的恰当缝隙插入事件标签；生成侧的样本从带标签文本出发，经过合成模型得到波形，模型要在对应时间区域发出可听、可辨类别且衔接自然的事件。橙色对应示意的是同一笑声事件在波形段和[laugh] 标签之间的位置对应。论文把 10 个系统的做法归纳为 3 个瓶颈：事件监督是否可靠和覆盖是否足够、预训练模型如何适配带标签语音、是否用辅助反馈改模型或选输出。
共同目标都是在引入事件能力时不破坏周围语音，但干预位置不同，有的改标签，有的改词分布，有的改专家路由，有的改候选选择。
下面这张总览图值得对照着看，它只讲输入输出形态，不涉及任何模型内部结构。
看图路径： 1. 先看左分支从输入音频到带[laugh] 标签文本的箭头走向；2. 再看右分支从带[laugh] 标签文本到输出音频的箭头走向；3. 对照橙色高亮的笑声段与标签位置的对应关系
论文图 1。原论文 Figure 1:：“Overview of the two NVVSpeech Challenge tracks.”。
这张图左半是理解，输入音频经过非言语理解模块得到带[laugh] 的英文例句转录；右半是生成，带[laugh] 的同一例句经过语音生成模块得到输出音频。图中用底纹标出输入与输出中的笑声能量区，橙色强调标签与声音段的对应。对初学者，沿箭头先确认主路径，再确认标签在文本中的插入点与音频中事件段的先后关系，就能复述两个赛道的输入输出定义。
第一赛道理解 × 第二赛道生成： 第一赛道理解是从语音到带标签文本，输入是波形、输出是词加标签；第二赛道生成是从带标签文本到语音，输入是词加标签、输出是波形，二者共用同一套 16 类标签和位置定义，所以一个赛道的标注困难和位置误差会直接影响另一个赛道的可控性判断。
理解与生成分别用了什么主干，能动哪里
理解侧多用语音识别主干加更广的音频语言模型。AcoustiX、XingChenAGI 和 SighLogger 基于 Qwen3-ASR，基线和来源自适应研究基于 Whisper-medium，SMIIP 组合了 MOSS-Audio、Whisper 和 Step-Audio，Audio Team 改造 Qwen3-Omni 的混合专家解码器，Moss-Transcribe 把训练教师 Qwen3-Omni 和部署的学生 MOSS-Transcribe 分开。生成侧用 DiTAR、MOSS-TTS 和 VoxCPM2，其中基线与 Flow-DPO 共享 VoxCPM2。
主干决定了可用的适配手段：词表兼容才能做词级迁移，能接触到专家门控才能做路由保持，基于流匹配的生成才方便做流匹配偏好替代。反过来，同样用 Qwen3-ASR 的几个系统走了很不同的数据与优化路线，说明选主干之后仍有大量决策未定。由于训练与推理设置差异大，论文明确指出不能把总分差异单独归因于结构。
保持预训练结构的同时如何加入事件能力
Moss-Transcribe 的词表对齐蒸馏比较特别：有监督初始化后，学生在官方无标注音频上生成前缀，冻结的 Qwen3-Omni 教师对相同前缀打分做逆向散度训练。与只在参考前缀上给监督不同，这种做法把反馈放在学生实际会走到的轨迹上，共享词表使词级直接比较成为可能。Audio Team 则在模型内部动手：关闭混合专家负载均衡，在冻结门控上加先验干预路由，希望在保留预训练专家分工的同时适配事件行为。两者一个迁移输出行为，一个保持内部计算，但总分都不能分离各自机制的单独贡献。
生成侧 DiTAR 增加非言语词元并修改停止预测，使内部发声事件与话语结束区分开，针对的是超出类别不平衡的结构失效模式。MOSS-TTS 则强调在精选混合数据上的 2 阶段微调，靠监督与训练编排来适配。论文提醒，结构改动的效果需要结合事件控制、字词保真和感知质量一起验证，不能只看总分。
推理时选输出与训练中改模型有何不同
反馈有两种角色：修改当前输出，以及改变产生未来输出的模型。理解侧 SMIIP 在稳定转录周围融合事件证据，互审纠正结合音频与初始专用预测做假设引导修正。生成侧 Tencent-HY 从 5 个候选中用事件、识别、大模型和质量互补信号做多信号五选一；Flow-DPO 把大音频语言模型偏好做到 VoxCPM2 训练里，用话语级流匹配替代提供成对监督，再用选中样本的有监督锚保留对偏好输出的直接拟合，锚的作用是给相对偏好学习补一个绝对训练目标。
代价也不同：候选选择在推理时花计算，偏好优化把反馈搬进模型更新。两者都要求验证反馈信号本身是否真的改善事件控制、字词保真和感知质量，尤其当优化与评估用相似的模型信号时，更要用人听来复核。
监督从哪里来，标签不可靠时怎么办
监督构建 × 模型适配 × 反馈： 监督构建解决用什么带标签数据来教模型，包括清洗、合成与对齐插入；模型适配解决在预训练语音模型上加标签能力而不破坏原有语音能力，包括加词表、微调与路由调整；反馈解决用辅助模型在训练后或推理时筛选输出，三者分工在数据、参数和输出选择三个位置介入，组合后才能同时顾及事件控制与语音保真。
论文花了较多篇幅讲监督构建，因为标签质量直接决定事件学习。几类做法针对不同问题。SMIIP 审计标注，来源自适应研究过滤公开数据并挖掘自发事件；跨模型互审把弱标签的纠正做成显式阶段，用在不相交划分上训练的异构模型互相审查，再由教师裁决加人工抽查分歧，而不是把现有标签当作固定真值。重平衡解决另一类问题：SighLogger 用平方根采样调节类别暴露，XingChenAGI 用课程学习加截断重采样，但重复采样只改变出现频率，不能纠正标错的类别。
对齐插入提供事件位置目标，带标签合成与音色转换扩展语境和说话人，如 AcoustiX。生成侧 MOSS-TTS 同时筛查请求事件区域、词完整性和音质，原因是流利的话仍可能漏掉被请求的事件，自动语音识别只能提供辅助证据，不能完整检验事件是否存在或类别是否正确。本研究综述本身不训练新模型，这里讲的训练都是各参赛系统的训练，冻结与更新、采样比例等细节以各系统报告为准。
分数怎么算，指标方向如何看
理解赛道的单语言客观分由三项加权组成，权重分别是 0.70、0.20 和 0.10：微观平均 F1 要求类别匹配且位置对齐，多事件归一化标签距离衡量位置误差，带标签转录错误率把每个标签当一个词算中文错字率或英文词错率。生成赛道按另一框架归一化，分别衡量事件类型数量位置、是否可听可辨、自然连续、音频质量和语境表达，缺失或几乎听不见的目标事件在事件与可听两项记零。两个赛道都对中英取平均。生成公开榜用大模型评估，最终排名把核验后的大模型分与人工听感分按 0.30 和 0.70 结合。
微观平均 F1 × 多事件归一化标签距离 × 带标签转录错误率： 微观平均 F1 把所有类别事件汇总后看类别加位置都对的程度，多事件归一化标签距离专看位置放得偏了多少，带标签转录错误率把每个标签当作一个词一起算中文错字率或英文词错率，三者组合后，理解赛道的总分同时惩罚认错类别、放错位置和写错词。
论文给出的单语言理解分形式如下，代码按原文显示，符号含义见上段，方向都是分数越高越好，误差项都用一减去误差的形式计入。
\[\displaystyle S_{1}(\ell)=100[\]读分时要注意聚合方式：理解的 F1 是跨类别汇总，稀有但重要的类别错误会被大类稀释；生成分是多维平均，某 1 维拉高不等于事件真的可控。跨系统比较还要考虑开放资源带来的数据差异，不能当作同数据同算力的胜负。
总分最高是谁，掩盖了哪些类别弱点
大音频语言模型评估 × 人工听感评估： 大音频语言模型评估是用音频语言模型自动给生成语音的事件类型、数量、位置、可听度、自然度、音质和表达打分，人工听感评估是让人直接听并加权打分，前者便宜可重复但可能与训练反馈同源，后者更贴近感知但成本高，二者组合后才能看出自动分高的系统是否真的更受欢迎。
据论文汇总的客观分，理解赛道 Moss-Transcribe 双语平均最高，生成赛道参与系统中 Moss-Transcribe 的大模型评估分领先，而非参赛参考 Flow-DPO 的大模型分更高。但论文的重点在总分之外的回顾分析。类别分析显示，SMIIP 和 AcoustiX 在中英两种语言里，呼吸和喘息都排在最弱的 4 个类别中，AcoustiX 总分更高但这两个事件依然弱。这说明总分提升可以与特定类别持续出错并存，复述结论时要加上类别条件。
论文没有断定原因是稀有、标注模糊、声音显著性低还是位置误差，只说这指出了优先做针对性误差分析的方向，并建议在选择增强或采样前，先区分漏检、类别混淆和位置放错。下面的完整总览表保留了全部系统、主干、监督、训练与反馈描述以及中英双语分数，读的时候把分数和条件一起看。
本表比较的问题是：在开放资源、不同数据与适配手段下，各系统总分与双语差异如何，公平条件是共享任务定义、测试集与打分协议但训练资源不同，指标方向都是分数越高越好。
| Team / System | Backbone | Data / Supervision | Training / adaptation | Auxiliary feedback / inference | Scores (ZH / EN / Avg.) |
|---|---|---|---|---|---|
| Track 1: Recognition | |||||
| Moss-Transcribe | MOSS-Transcribe student | Public/proprietary supervision | Cold start; on-policy distillation | Qwen3-Omni teacher | 66.39 / 66.24 / 66.32 |
| AcoustiX | Qwen3-ASR-1.7B | Synthesis; voice conversion; insertion | LoRA; class/language weighting | Logit calibration | 66.76 / 63.56 / 65.16 |
| XingChenAGI | Qwen3-ASR; LALM | Cross-auditing; label refinement | Curriculum; rebalancing; dual-stream tuning | Teacher adjudication; HGC | 65.27 / 62.80 / 64.04 |
| SighLogger [6] | Qwen3-ASR-1.7B | Label harmonization | Square-root/uniform sampling; full tuning | – | 64.49 / 63.22 / 63.86 |
| SMIIP | MOSS-Audio; Whisper; Step-Audio | Aligned NVV insertion | Multi-backbone system | Forced alignment; evidence fusion | 49.57 / 48.58 / 49.07 |
| Source-adaptive* [4] | Whisper-medium | Augmentation; media mining | Full fine-tuning | MLLM filtering; token reassignment | 55.45 / 51.76 / 53.61 |
| Audio Team* | Qwen3-Omni MoE | Synthetic NVVs; plain speech | Routing-preserving adaptation | Qwen3 forced alignment | 53.02 / 46.63 / 49.82 |
| Baseline | Whisper-medium | NVV/ASR mixture | Full fine-tuning | NVV-token decoding | 34.05 / 32.59 / 33.32 |
| Track 2: Generation | |||||
| Tencent-HY [15] | NVV-aware DiTAR | Targeted synthesis; long-tail data | NVV tokens; SFT | Multi-signal Best-of-5 | 76.22 / 69.66 / 72.94 |
| Moss-Transcribe | MOSS-TTS | Review; event-site screening; 40/40/20 mix | Two-stage SFT | ASR-assisted filtering | 75.97 / 73.77 / 74.87 |
| Baseline | VoxCPM2 | NVV-tagged speech pairs | Backbone tuning; frozen VAE | NVV-label mapping | 77.62 / 70.30 / 73.96 |
| Flow-DPO* [5] | VoxCPM2 | Chosen/rejected pairs | RSFT; SFT-anchored Flow-DPO | LALM preference labels | 79.39 / 72.21 / 75.80 |
从该表可见，理解侧前 4 名分数接近但主干与手段不同，生成侧基线与参赛系统在中英分布上有差异，非参赛系统分数不能当作参赛排名。限制是总分不分离数据、结构与反馈各自的贡献，也掩盖了呼吸与喘息这类弱类，跨行直接比大小会夸大结构优劣，需要结合下文的同研究内对照来理解。
自动分与人工听感为何不一致
生成赛道的自动评估与人工听感没有给出相同排名。参与系统中 Moss-Transcribe 大模型分最高，但加入 70% 权重的人工听感后 Tencent-HY 排到第一。论文的措辞很谨慎：这说明自动排名没有完全抓住听感偏好，但不证明系统间有统计显著的感知差异。
这在辅助模型同时参与开发时尤其 relevant：Tencent-HY 用模型信号选候选，Flow-DPO 用大模型偏好做训练，当优化与评估依赖相似反馈信号时，自动分上的改进更要用人工判断来核对。结论的适用条件是：该不一致是在本挑战赛的听感协议和权重下观察到的，换听感题量、权重或提示分布，排名可能变化，不能推广为所有场景下自动评估都失效。
同研究内对照支持什么权衡，不支持什么
跨系统总分不能分离单个改动，论文因此保留每个研究的评估范围，重点看固定候选池或固定流程内的对照。下表整理的是原文明确报告的 3 组同研究内数字，不做跨系统排名，只看同一条件下换选择或换采样会发生什么。比较问题是：在控制候选池或数据流程不变时，质量导向与多信号选择、重平衡强度、事件增强分别带来什么收益和代价，指标方向是事件分越高越好、错词率越低越好。
| 对照主题 | 评价指标 | 条件一数值 | 条件二数值 | 论文支持的判断 |
|---|---|---|---|---|
| SighLogger 采样强度 | 理解总分 | 自然采样 62.33 | 平方根采样 66.25，均匀采样 63.51 | 中度重平衡在本设置有帮助，更强平衡并非一致更好 |
| 来源自适应增强 | 英文事件 F1 与纯文本词错率 | 增强前 0.2964，25.58% | 增强后 0.5081，34.98% | 事件分提升伴随词错率上升 |
| Tencent-HY 候选选择 | 英文词错率与音质 | 单一音质选择 DNSMOS 最高 | 多信号选择 2.132%，单一选择 3.480% | 质量最优不等于词最准，存在可懂度与音质权衡 |
上表数字与单位均来自原文连续报告，平方根采样在本设置得分高于自然与均匀采样，来源自适应把英文事件 F1 从低位拉高但纯文本词错率也升高，多信号选择把英文词错率从 3.480% 降到 2.132% 但音质分更低。限制是这些都是各自研究内的局部对照，不证明哪种选择器最能实现事件指令或最符合人偏好，也不支持把最优候选值当作部署时可获得的提升，实际部署还要加上推理开销与稳定性验证。
哪些结论证据不足，哪些范围尚未评测
论文明确留了未验证的部分。呼吸与喘息弱的原因未定，可能是数据稀有、标注不清、声音不显著或位置难对齐，需要补漏检与混淆矩阵、位置误差分解。重平衡只在 SighLogger 的局部比较中验证了中度策略更好，不能推广为所有数据都该平方根采样。候选选择只在固定五候选池内比较了规则，没有评测候选数、延迟与多样性的代价。来源自适应的词错率上升是在其英文子集与流程下报告的，不能直接套到其他主干。
未胜出项也要看到：均匀采样不如平方根采样，单一音质选择在词错率上输给多信号选择，基线在理解赛道明显偏低。尚未评测的范围包括长尾事件在自发对话中的重叠情形、跨语言迁移的稳定性、推理成本与输出帧率。没有测量误判率、延迟或成本，就不能承诺这些方面会改善，这是复述时必须保留的边界。
什么时候值得尝试，复现第一步做什么
如果你的场景也需要在词串中保留笑叹位置，或在合成中按标签发出事件，这个挑战赛的任务定义和分解指标值得借鉴；如果只需要纯词转录或纯净朗读合成，则不必引入事件标签的复杂性。复现第一步不是直接训大模型，而是先对齐任务与数据：按 16 类与内联标签整理训练标注，做标签 harmonization 并检查事件身份与位置，再用官方测试划分与加权规则复算理解与生成分数，确认指标方向与双语平均方式。
资源方面，论文提到的挑战赛主页与两个基线仓库在本次核验中可达，可作为起点；打嗝补充集与测试集本次未能确认可达，来源未确认只是本次核验状态，不代表技术缺陷。代码可运行、权重可下载、系统可复现是三件事，要分开核对：有仓库不等于有权重，有权重不等于能在你的硬件与依赖下跑通。关键信息条件要保留：用了哪些外部数据、是否用了合成或转换、采样与权重、反馈信号是否与评估同源。
带走的三句话与还需要补的验证
第一，在共享中英任务下，更多数据或重平衡 alone 可能克服不了标签不全与声音多样性不足，呼吸与喘息的弱点在多个系统中重复出现，优先补针对性误差分析而非一味加数据。第二，事件能力的收益常伴随代价：识别侧事件分上去时词错率可能上去，生成侧多信号选择改善可懂度时音质分可能下来，做训练与输出选择时要把词保真与感知质量显式并列检查。第三，自动分高不等于人更喜欢，尤其优化与评估用相似模型信号时，要补人工听感并报告资源与反馈条件。
还需要补的验证是：弱类的漏检、混淆与位置误差分解，不同采样与增强在固定主干下的消融，候选数与推理预算的曲线，以及更大规模听感下的显著性。只有补上这些，才能把本篇在特定测试集、特定权重和特定资源披露下成立的结论，推广到更一般的语音理解与可控生成场景。
📎 论文与评分元数据
排名：前50% | 文档类型：数据集与基准 | 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