📄 窗长为何重要：噪声下语音活动检测的离线基准解读
英文题目：Window Size Matters: Benchmarking Voice Activity Detectors in Noise
标签：#语音活动检测 | #基准设计 | #基准测试 | #语音
评分：6.9/10 | 创新 1/2 | 技术严谨 1/1.5 | 实验充分 1/1.5 | 清晰度 0.8/1 | 影响力 0.8/1.5 | 开源 1/1.5 | 可复现 0.3/0.5 | 工程/实践 1/1.5
👥 作者与机构
- Alok Kumar：机构信息未在 arXiv HTML 中可靠披露
- Mohit Srivastava：机构信息未在 arXiv HTML 中可靠披露
- Anupam Purwar：OneByZero AI
📌 核心摘要
语音活动检测的输入是16 kHz连续音频，输出是每个短帧是否为语音的二值判断或语音概率，难点是在巴布尔人声、低信噪比和跨文件电平变化下同时保持高召回和低误触发。论文先将LibriSpeech干净语音与9类噪声按-5至20 dB共6档信噪比混合，生成带逐样本语音标注的含噪语音，测试集共2214句约7.1小时。随后按16毫秒及20至50毫秒窗口切分非重叠帧，并由样本标注汇总得到帧级标签，再送入检测器得到每帧语音分数。三检测器的全部帧分数在统一流程下汇合计算ROC曲线下面积、平均精度和固定阈值F1，以排序质量为主要依据。在20毫秒窗口下TEN VAD的AUC为0.916，高于RMS基线的0.754，TEN在16毫秒跳长上AUC为0.917、平均精度为0.968，在20至50毫秒内AUC保持在0.916至0.919。Silero VAD仅在30毫秒附近AUC达0.920，在20毫秒跌至0.627，论文将其归因于补零、子块平均和状态未重置等协议因素但未做验证，而TEN在-5 dB巴布尔噪声下AUC仅0.509接近随机。结论仅适用于离线帧分类，不适用于流式端点延迟和截断行为，原文未披露训练、推理或部署成本。
🔗 开源与复现资源
数据相关资源：https://github.com/zhenghuatan/LibriVAD — 链接可访问（HTTP 200）
数据相关资源：https://huggingface.co/datasets/LibriVAD/LibriVAD — 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
语音活动检测在流式识别里管什么
语音活动检测要对每一小段音频回答是否有人在说话。在流式语音识别堆栈里，它的判决决定哪些音频被送去识别器、何时结束一句话，以及在静音上花多少计算。漏检会把词切掉，误触发则浪费计算，还可能让端点过早或过晚。论文把范围收得很窄，只做离线帧级分类，不测流式延迟，也不断尾静音如何收尾，更不做端点状态机。输入是 16 kHz 的含噪波形，输出是每帧一个 0 到 1 之间的连续分数，评价时把所有文件的帧汇集起来算排序指标。
读者需要先接受这个设定，后面所有好坏都是分数把语音帧排在噪声帧前面的能力，而不是线上体验。对于刚入门的研究生，关键是区分检测器本身的排序能力与完整线上端点策略，这是两层不同的东西。前者是本文测量的对象，后者还涉及平滑、迟滞和最小时长，本文明确没有做。
已有检测器和数据集各解决什么
传统一支用能量、过零率、谱形状和统计检验做判决，优点是小而快，代表有电话场景的 G.729 附录、WebRTC 检测器和无监督的 rVAD。它们在干净或平稳噪声下够用，但在低信噪比下响度线索会失效。神经一支用循环网络、多分辨率上下文、直接对波形建模的卷积结构，以及 NeMo 自带的 MarbleNet 等紧凑模型，目标是在噪声下学到比能量更稳的线索。Silero VAD 和 TEN VAD 都是面向端侧和流式的预训练神经检测器，都对外输出每帧语音概率，所以能用无阈值指标直接比较。
数据集方面，很多工作用私有或任务特定数据，难以复现对比，AVA-Speech 标注电影音频，VOiCES 提供真实房间远场录音。LibriVAD 则走合成路线，用 LibriSpeech 干净语音按固定信噪比与噪声混合，并用干净语音的强制对齐生成样本级 0 与 1 标签，还提供 3 种数据规模。LibriVAD 原作者评测的是在其上训练的模型，本文补的是另一类问题，即不训练，直接拿生产里会部署的现成检测器做评测。
论文要回答的具体问题是什么
作者团队在用 NVIDIA Parakeet 搭建实时识别服务，有 RMS 能量门和 TEN VAD 两种前端，想在定 TEN 为默认之前，把流行的 Silero VAD 也纳入比较。但他们找不到公开可复现的三者对照，尤其是在受控噪声和受控信噪比的英文基准上。于是问题被拆成 4 个可测量的部分。第一，在 LibriVAD-small 的 test-clean 全集上，3 个检测器的帧级排序能力各是多少。第二，把窗长从 20 ms 扫到 50 ms 时，各自的指标是否稳定。
第三，Silero 在固定分帧下看起来脆弱，到底是模型本身偏好某个窗长，还是评测协议引入的填充、平均与状态处理造成的。第四，TEN 按噪声族和信噪比分层后，弱点在哪里。同时论文提醒语音先验很高，固定阈值 F1 可能虚高，需要把 AUC 和先验放在一起读。这些问题都不涉及训练新模型，也不涉及延迟测量。论文强调这是在线选型前的离线摸底，测的是分离能力，不是用户能感知的端点快慢。
从干净语音到指标的整体流程
整条管线可以按一张流程图理解。左侧是 LibriSpeech 的 test-clean 干净语音、9 个噪声族和强制对齐结果，中间按六档信噪比混合成 16 kHz 含噪波形，并同步写出每采样点的 0 与 1 标签，右侧把波形切成不重叠帧，每个检测器对每帧打分，最后汇集全部帧算 AUC、AP 和 0.5 阈值 F1。整个流程没有端点平滑、迟滞或最小时长规则，是纯批量打分。
下面这张官方流程图展示了数据生成与评测管线，读图时重点看混合、标注与分帧三步如何衔接，例子只是帮助理解换算关系。
看图路径： 1. 沿左侧干净语音、噪声族和强制对齐向右看混合与标注两条输出；2. 看含噪波形与样本标签如何进入分帧，再得到检测器分数与指标；3. 注意分帧框标注的跳长等于窗长，说明帧不重叠
论文图 1。原论文 Fig. 1:：“Data generation and evaluation pipeline.”。
图中左侧有两个输入分支，一个是干净语音加 9 个噪声族后按信噪比混合，另一个是强制对齐，两个分支分别产生含噪波形与样本标签文件。中间方框明确写出混合信噪比范围与 16 kHz 波形，标签文件标注为每样本文件。右侧先按跳长等于窗长分帧，再由检测器给出每帧分数，最后汇集计算 3 个指标。举个例子，一个 20 ms 窗对应 320 个采样点，它只是说明窗长与采样点数的换算关系，不代表论文只测这一种窗。图中箭头从左向右走，主路径是语音加噪、分帧、打分、算指标，标注路径是独立并行的。
分帧与标签如何对齐
设采样率为 16 kHz，窗长为 W 毫秒，跳长 H 由采样率换算得到，帧之间不重叠。第 k 帧覆盖从 k 乘 H 到下 1 帧起点前一个采样点，参考标签由该区间内样本级标签聚合得到。每个检测器返回连续分数，全部文件、全部帧汇集后统一算指标。这种汇集方式意味着跨文件的绝对分数可以直接比较，RMS 这类绝对响度分数会因此吃亏，而单文件内排序可能并不差。
语音活动检测 × 非重叠音频帧 × 语音概率分数： 语音活动检测是对每一帧判断是否有人说话，非重叠音频帧是一段不重叠的短音频窗，语音概率分数是检测器对该帧为语音的连续打分；阈值把分数变成判决，而 AUC 与 AP 直接评价分数把语音排在非语音前面的能力，所以同一组分数可以在不同阈值下比较排序质量。
窗长与跳长的换算关系由原文公式给出，符号含义是采样率乘以毫秒数再换算成采样点数。
\[H=\operatorname{round}\!\left(\frac{16000\cdot W}{1000}\right),\]该公式只解决帧划分问题，不决定模型内部看到多少上下文。TEN 把跳长当参数传入，RMS 对任意跳长直接计算能量，Silero 则受最小输入限制，需要额外适配，这为后面的窗长敏感性埋下伏笔。论文的固定跳长实验用 256 采样点即 16 ms，窗扫实验用 320 到 800 采样点，对应 20 到 50 ms。
三个检测器各自怎么算出分数
TEN VAD 用 ten_vad 包，以跳长参数运行并取 process 返回的原始语音概率，固定跳长实验用 256 采样点即 16 ms，与生产会话设置一致。RMS 基线先算每帧归一化波形的均方根能量，再转成分贝值，最后把分贝线性映射到 0 到 1，得到单调可用于 ROC 分析的分数。Silero VAD 加载预训练模型，安装版本拒绝短于 512 采样点的输入，因此短帧补零到 512，长帧切成 512 子块再平均概率，且整个运行只建一个模型实例、状态从不重置，状态会跨帧甚至跨文件传递。3 个检测器都没有在 LibriVAD 上训练或微调。需要强调的是，TEN 文档只把 160 和 256 采样点列为优化过的跳长，扫到 320 到 800 采样点是库允许但文档之外的用法。
RMS 能量 × dBFS 映射分数： RMS 能量先算一帧内波形幅度的均方根，反映该帧有多响，dBFS 映射分数再把分贝值线性压缩到 0 到 1 之间，得到可以排序的分数；它没有任何音高或谐波线索，只能靠响度区分语音与噪声，所以跨文件响度不一致时排序会变差。
RMS 的能量与分贝计算由原文两步公式给出，先求均方根再取对数并映射。
\[r_{k}=\sqrt{\frac{1}{H}\sum_{n=kH}^{(k+1)H-1}\left(\frac{x[n]}{32768}\right)^{2}},\qquad d_{k}=20\log_{10}(r_{k}+\epsilon),\]\[s_{k}=\operatorname{clip}\!\left(\frac{d_{k}+100}{100},\,0,\,1\right).\]其中除以 32768 是把 16 位整数波形归一化，映射把负分贝加 100 再除以 100 并截断到 0 到 1。TEN 与 Silero 都是神经预训练模型直接输出语音概率，不经过这套能量映射。输入约束是理解公平性的关键，TEN 任意跳长原生支持，RMS 任意跳长原生计算，Silero 短帧补零、长帧平均，这是后文讨论 Silero 脆弱性的事实基础。
本研究训练了什么，又用什么指标
本研究没有训练任何模型，这一点要先说清。TEN、Silero 都是拿来即用的预训练权重，RMS 是无参数的信号能量规则。实际计算过程是推理与评测，包括数据生成、按窗切分、调用检测器打分、汇集帧算指标，没有梯度更新，也没有优化器设置。无训练不等于输出确定，至少 Silero 的循环状态会让分数依赖历史帧的处理顺序。指标方面，AUC 是随阈值变化的真正率与假正率曲线下面积，等于随机语音帧得分高于随机非语音帧的概率，机会水平恒为 0.5。
AP 是对精确率召回率曲线的加权求和，机会水平约等于正类先验。F1 取固定 0.5 阈值，反映可部署工作点但依赖校准。
ROC AUC × 平均精度 × 固定阈值 F1： ROC AUC 是随机语音帧得分高于随机非语音帧的概率，机会水平恒为 0.5，不受语音占比影响；平均精度是对精确率-召回率曲线的加权平均，机会水平约等于语音先验；固定阈值 F1 只看 0.5 一个工作点的精确率与召回率调和，受校准和先验影响最大，三者分工是排序能力、检索平均质量与可部署工作点。
在语音先验为 0.745 的数据上，全判语音的平凡规则已有很高的 F1，原文用下式点出虚高问题。
\[\mathrm{F1}_{\text{trivial}}=\frac{2\cdot 0.745\cdot 1}{0.745+1}\approx 0.854.\]该式分子是 2 乘精确率乘召回率，分母是两者之和，代入精确率 0.745 与召回率 1 得到约 0.854。这意味着 RMS 的 0.85 量级 F1 并不比全判语音强，TEN 的 0.913 才是真实但幅度有限的提升。论文因此把 AUC 当主要指标，并建议同时报告语音先验。AP 同样受先验托底，在低 AUC 时也可能显得很高，读数时要留心。
评测数据与两个实验如何组织
数据用 LibriVAD 的 small 变体，只评 test-clean。生成脚本还会顺带产生训练与开发混合，但因不训练而未使用。实验分两组，共用同一数据加载、分帧与指标代码以保证可比。实验 A 只跑 TEN 在 256 跳长并做分层，实验 B 在 20、30、40、50 ms 四档窗长上跑 3 个检测器。分帧用不重叠帧，指标用汇集全部帧的 AUC、AP 与 0.5 阈值 F1。
窗长 × 跳长 × 补零与子块平均： 窗长是每帧时长，跳长是相邻帧起点间隔，本文帧不重叠所以两者相等；补零是把不足模型最小输入的短帧用数字静音填长，子块平均是把长帧切成多个模型可接受的子块再平均概率，两者都是为了喂给固定输入尺寸的模型，但都会改变模型实际看到的信号。
下表整理评测规模要回答的问题是，在多大体量和多高的语音占比下比较排序能力，条件是离线汇集帧、不做端点后处理，表内数字都有逐字原文证据。
| 评测切分 | 文件数 | 时长 | 噪声族数 | 信噪比范围 |
|---|---|---|---|---|
| test-clean | 2,214 | about 7.1 hours | nine | from −5-5 to 20 dB |
该表说明比较建立在两千多个文件、约 7 小时音频上，覆盖 9 个噪声族与六档信噪比，语音帧约占四分之三。限制是只用 small 变体和 test-clean，未覆盖 medium 与 large，也未覆盖远场或非英语，标签来自干净语音强制对齐，可能把词间短停顿标成静音。先验高直接影响 AP 与 F1 的解读，后文所有指标都要在这个条件下读。
TEN 在固定 16 ms 下表现如何
实验 A 的比较问题是，在生产常用的 16 ms 跳长下，TEN 的帧级排序能力是多少，指标方向是 AUC、AP、F1 越高越好，条件是汇集全部文件的 1608606 帧。表前先明确公平条件，同一批 2214 个文件、同一分帧与指标实现，只看 TEN 单个检测器。
| Metric | Value |
|---|---|
| Files scored | 2,214 |
| Frames | 1,608,606 |
| Speech prior | 0.745 |
| ROC AUC | 0.917 |
| Average precision | 0.968 |
| F1 @ 0.5 | 0.913 |
表中 TEN 达到 AUC 0.917、AP 0.968、F1 0.913，帧数乘以跳长再除以采样率约得 25738 秒即 7.15 小时，与数据集时长吻合，可作完整性校验。但 headline 数字掩盖了条件依赖，按噪声族和信噪比分层后，巴伯尔噪声在低信噪比下接近机会水平。未胜出的范围也要写清，这里只分层了 TEN，没有分层 RMS 与 Silero，因此不能说它们在巴伯尔下更好或更差。
混合信噪比 × 巴伯尔噪声： 混合信噪比是合成时语音与噪声能量的比值，越低表示噪声越强；巴伯尔噪声是多人说话混杂的干扰，本身也是浊音和谐波结构，因此靠响度和基音都难以把它与目标语音分开，是 TEN 最难的条件。
该桥接说明信噪比越低噪声越强，而巴伯尔本身也是语音，响度和周期性线索都容易失效，这正是下一节分层表要验证的猜测。
巴伯尔噪声为何是 TEN 的弱点
分层比较要回答的问题是，TEN 的错误是否集中在特定噪声与信噪比，公平条件是同为 TEN、同为 16 ms、同为 LibriSpeech 风格的巴伯尔子集，指标方向仍是越高越好。表前明确比较对象都是 TEN 自身在不同信噪比下的表现，不涉及跨模型对比。
| SNR (dB) | ROC AUC | AP |
|---|---|---|
| −5-5 | 0.509 | 0.834 |
| 0 | 0.555 | 0.859 |
| 5 | 0.657 | 0.907 |
| 10 | 0.766 | 0.945 |
| 15 | 0.854 | 0.969 |
| 20 | 0.916 | 0.983 |
结果显示负 5 dB 时 AUC 仅 0.509，几乎等于随机猜测，随信噪比升高逐步爬升到 20 dB 的 0.916，而 AP 始终在 0.83 以上，这是高先验托底造成的虚高。论文的解释是推测性的，巴伯尔本身也是浊音谐波信号，若 TEN 依赖音高类周期性线索，则在巴伯尔下失去区分力，但该机制未经消融验证。限制是这只是 TEN 的单条件切片，非巴伯尔高信噪比多在 0.95 以上，但 RMS 与 Silero 的对应切片缺失，不能做跨模型归因。换句话说，能说 TEN 怕巴伯尔，不能说别人不怕。
窗长扫描中谁稳定谁起伏
窗长扫描要回答的问题是，当窗从 20 ms 变到 50 ms，3 个检测器的排序质量如何变化，公平条件是同一批 2214 文件、同一分帧与指标实现，指标方向是 AUC、AP 越高越好，F1 只反映 0.5 阈值工作点。图前先说明读法，横轴是窗长，纵轴是逐文件 AUC 分布与池化 AUC 折线，重点看分布位置与折线走向。
看图路径： 1. 先看横轴四个窗长下每组三只箱体的中位数与离散程度；2. 再看三条带圆点的折线代表的池化 AUC 随窗长如何走平或起伏；3. 重点对比绿色 TEN 折线与橙色 Silero 折线在 20 ms 与 30 ms 的差异
论文图 2。原论文 Fig. 2:：“Per-file ROC AUC by detector and window size (boxes) with pooled AUC overlaid (lines).”。
图中横轴是 4 个窗长，每个窗长下有三只箱体，纵轴是逐文件 ROC AUC，圆点折线是汇集全部帧的池化 AUC。可见绿色 TEN 箱体位置高且窄，池化折线几乎水平；蓝色 RMS 箱体中位数明显高于其池化折线，提示跨文件绝对分数不可比；橙色 Silero 箱体在 20 ms 显著下移、在 30 ms 冲高。图里下方离散圆圈是低分文件，大量低分点对应巴伯尔低信噪比等难例，与上节分层结论相互印证。表前再明确 1 次比较问题，同一数据上 3 个可运行策略随窗长的变化，表后解释收益与代价。
| Detector | WW (ms) | Frames | AUC | AP | F1@0.5 |
|---|---|---|---|---|---|
| TEN | 20 | 1,286,712 | 0.916 | 0.968 | 0.913 |
| TEN | 30 | 857,520 | 0.917 | 0.968 | 0.913 |
| TEN | 40 | 642,870 | 0.918 | 0.969 | 0.914 |
| TEN | 50 | 513,918 | 0.919 | 0.969 | 0.915 |
| RMS | 20 | 1,286,712 | 0.754 | 0.884 | 0.856 |
| RMS | 30 | 857,520 | 0.759 | 0.884 | 0.854 |
| RMS | 40 | 642,870 | 0.761 | 0.887 | 0.856 |
| RMS | 50 | 513,918 | 0.767 | 0.888 | 0.855 |
| Silero | 20 | 1,286,712 | 0.627 | 0.842 | 0.353 |
| Silero | 30 | 857,520 | 0.920 | 0.974 | 0.910 |
| Silero | 40 | 642,870 | 0.803 | 0.926 | 0.283 |
| Silero | 50 | 513,918 | 0.738 | 0.903 | 0.533 |
表后解释分 3 层。TEN 在四档窗下 AUC 仅从 0.916 走到 0.919，ROC 曲线几乎重合，长窗略好符合单次判决上下文更多的直觉。用排序错误率 1 减 AUC 看，20 ms 时 TEN 为 0.084、RMS 为 0.246，TEN 去掉了约三分之二的排序错误，50 ms 下比例相近。RMS 稳定但弱，池化 AUC 在 0.754 到 0.767，而逐文件中位数约 0.84 到 0.87，差距来自绝对分贝跨文件不可比。Silero 起伏最大，30 ms 以 0.920 略超 TEN，20 ms 跌到 0.627，40 ms 与 50 ms 为 0.803 与 0.738，且 40 ms 的 F1 仅 0.283 而 AUC 仍有 0.803，说明排序保留得比校准好，分数整体偏低于 0.5。反例是 Silero 的峰值不能读成它偏好 30 ms，论文明确这是协议假设而非模型结论。
Silero 的起伏更可能是协议造成的吗
这一节讨论的不是胜负，而是把 Silero 的输入处理拆开看。论文提出 3 个未经消融的假设，都与固定分帧协议有关。第一，20 ms 的 320 采样点要补 192 个零才到 512，超过 3 分之一输入是人工静音，可能把真实语音的概率压低，而 30 ms 只补 32 个零，接近模型期望输入。第二，40 ms 与 50 ms 把长帧切成 512 子块再平均概率，640 采样点的帧含一整块加一短剩余，剩余处理与平均本身可能模糊 Silero 原本尖锐的跳变。
第三，脚本只建一个实例且从不重置状态，状态跨帧、跨文件传递，补零会作为虚假静音进入状态，每个文件开头又带着上一个无关文件的尾部上下文。40 ms 的低 F1 高 AUC 正好支持校准偏移而非完全丧失排序。TEN 对照是原生接受跳长参数，无需填充与平均，但其 320 到 800 的扫描本身也在文档优化范围之外，稳定只是经验观察。要确认原因，需要 1 次只改一项的消融，包括按文件重置状态、用原生 512 流式迭代器馈送、再把块判决映射回参考帧。
在消融完成前，只能说协议很可能是主因，不能说模型本身不行。
这些结论在什么边界之外不再成立
首先这是离线批量打分，没有迟滞、平滑、最小时长与端点逻辑，不能推广到线上延迟、过早截断或拖尾收尾。其次只用 small 变体的 test-clean，没有 medium 与 large，没有 VOiCES 这类远场失配，也没有非英语与会话语音，TEN 在 LibriSpeech 系读语音上的优势可能含域内成分。标签来自干净语音强制对齐，会把词间短停顿标成静音，可能惩罚那些主动桥接短停顿的检测器。Silero 协议不是作者意图的用法，3 个成因都未消融，不能当成 Silero 本身不行。TEN 的窗扫描超出文档优化跳长，不能当成官方支持配置。
分层只做了 TEN，RMS 与 Silero 在巴伯尔下的行为未知。开发中只看前 10 个文件曾得到 TEN 约 0.48 到 0.49、RMS 约 0.58 的相反结论，原因是文件按条件分组、前几个恰是难例，这提醒小样本冒烟测试在生成数据集上容易误导。总体看，论文测的是特定数据、特定分帧、特定指标下的排序能力，换数据、换流式逻辑或换阈值都可能改变排序。
复现第一步要固定什么
复现的第一步是固定数据生成与分帧，而不是先调模型。按论文设置用上游脚本生成 LibriVAD-small，取 test-clean 的 2214 个文件，确认 16 kHz、每样本标签、九噪声族与六档信噪比，并核对 16 ms 下总帧数与语音先验是否接近 1608606 与 0.745。分帧用不重叠帧，窗长换算严格按采样率取整，指标用汇集全部帧的 AUC、AP 与 0.5 阈值 F1，并同时报告先验与全判语音的 0.854 参考线。检测器调用要照抄约束，TEN 传跳长参数，RMS 用同一能量映射，Silero 按短帧补零、长帧子块平均且不重置状态，才能复现出 Silero 的起伏。
若改成按文件重置或原生 512 流式输入，得到不同数字并不是否定原文，而是换了协议。版本方面，论文数据可用性段只给出 LibriVAD 的链接与包名占位符，ten_vad 与 silero-vad 的具体版本号在证据中以占位符出现，复现时应记录实际安装版本。数据集链接当前可用，另一个数据集镜像本次未能确认可达，这只说明来源可达性，不构成技术缺陷。
什么时候值得尝试，还缺哪项验证
当实时识别前端需要在 20 到 50 ms 之间灵活选帧，且只能做离线帧级排序时，TEN 是三者中更稳的默认选择，RMS 可作几乎零成本但弱得多的基线，Silero 若要用，必须先用原生 32 ms 流式协议重测，不宜直接套固定分帧结论。复现第一步是重建 LibriVAD-small test-clean 与不重叠分帧，并用 AUC 加先验作为主要读数。还缺的验证很明确，流式端点基准、Silero 原生协议与三项成因的逐项消融、RMS 与 Silero 的按条件分层、medium 与 large 变体以及非英语与远场数据，补上这些才能把离线排序结论推进到线上选型。
容易产生的误解是把 AP 0.83 或 F1 0.85 当成好，论文用高先验解释了为何它们虚高，也容易把 Silero 在 30 ms 的峰值当成模型偏好，原文已声明那更可能是协议产物。另一个误解是把 TEN 跨窗稳定当成官方保证，其实扫描区间已超出文档优化范围，只是经验上稳定，生产仍建议留在 256 采样点。
📎 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