📄 神经音频编解码器的码本层级保留了哪些说话人特征
英文题目：Probing Neural Audio Codecs with Speaker Traits and Speech Characteristics
评分：6.2/10 | 创新 1.2/2 | 技术严谨 1/1.5 | 实验充分 1.1/1.5 | 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 0.8/1.5
👥 作者与机构
- Jihwan Lee：Signal Analysis and Interpretation Lab (SAIL), University of Southern California
- Tiantian Feng：Signal Analysis and Interpretation Lab (SAIL), University of Southern California
- Minu Kim：Signal Analysis and Interpretation Lab (SAIL), University of Southern California
- Junhyeok Lee：Center for Language and Speech Processing, Johns Hopkins University
- Sean Foley：Signal Analysis and Interpretation Lab (SAIL), University of Southern California
- Thanathai Lertpetchpun：Signal Analysis and Interpretation Lab (SAIL), University of Southern California
- Najim Dehak：Center for Language and Speech Processing, Johns Hopkins University
- Dani Byrd：Signal Analysis and Interpretation Lab (SAIL), University of Southern California
- Shrikanth Narayanan：Signal Analysis and Interpretation Lab (SAIL), University of Southern California
📌 核心摘要
神经音频编解码器把语音压缩为分层离散码本并为语音语言模型提供词元，但各类说话人特质保存在码本堆叠多深处尚不清楚。论文输入原始语音并用全部码本编码后仅以累积前缀解码重建，输出重建语音与原音频在机器听辨器下特质预测的一致性随深度变化曲线，并以所需相对码本深度概括恢复难度。听辨与度量分工为先用代表性分类器预测性别、年龄组、口音、音质、情感、言语流畅性及非言语声，再以重加权科恩卡帕比较重建与原件预测，最后取首次接近全深度水平的最早相对深度为特质深度。与只测可懂度、说话人相似度或单一副语言线索的已有评测不同，该工作把码本层次是否统一由粗到细的问题按特质拆开检验。在相应测试集上十七个编解码器平均下以特质深度为指标，非言语声内笑声约20%相对深度即达阈值，低于喷嚏和咳嗽所需的50%到60%，性别最浅而音质和年龄组最深。跨编解码器比较显示蒸馏、流式与帧率等设计差异与特质深度相关而非完全受控因果，流式版本在首码本与全深度上一致性变化不同。结论限于所测以英语为主数据和机器听辨条件而不等同人耳感知，原文未披露训练、推理或部署成本。
🔗 开源与复现资源
本次未形成可展示的已核验资源记录，开放状态尚未核实。
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
这篇论文要解决的输入输出问题是什么
论文面对的输入是一段原始语音，输出是同一个编解码器在不同码本深度下的重建语音。研究者想知道，当只保留前 k 个码本时，重建语音里还能恢复出哪些说话人特征和言语特点。目标不是提高压缩质量，而是给码本层级做一次系统体检：性别、年龄组、口音、嗓音质量、情感、语流、非言语声这 7 类信息，分别需要多深的码本才能让判断结果与原音频基本一致。
必须保留的信息是同一句话在不同深度下的可比性，因此编码器、解码器和后续判断条件要固定，只有参与解码的码本前缀在变化。最终输出不是重建音频本身，而是每种特征随深度变化的一致性曲线和一个汇总位置，称为特征深度。理解这个设定很关键：论文测的是可恢复性，即机器听众在重建音频上是否还做同样判断，而不是人耳听起来像不像原说话人。
已有评价路线为什么回答不了码本深度问题
此前的编解码器评价多看三件事：语言内容是否可懂、说话人相似度是否高、整体听感质量如何，常用语音识别、说话人验证、情感识别在重建音频上的表现来打分。另一条路线是直接分析码元，追踪内容、说话人身份和基频，或用稀疏自编码器定位口音。常见说法是残差量化的码本堆从粗到细排列，前面的码本管说话人和录音条件等粗粒度属性，后面的码本补精细声学细节；带教师蒸馏的模型又常把语言内容放进第一码本。
但这些说法没有指明性别、年龄、口音、嗓音质量等具体特征各出现在哪个深度，也多是每次只看一种特征或少数几个编解码器。论文要补的正是这个空缺：在相同的部分解码和相同听众比较规则下，对 17 个多码本编解码器和 7 类特征做统一测量，看粗到细的说法是否对所有特征都成立。
三个研究问题各自要判断什么
第一个问题是跨特征比较：每种特征到哪个相对码本深度才算被有效保留。回答它需要把不同编解码器的码本总数归一化，再看一致性何时达到全深度的 90%。第二个问题是特征内部比较：同一特征下的不同类别是否需要相似深度。例如语流中的流畅、阻塞、延长、重复是否同步恢复，情感中的愤怒与厌恶是否同步恢复，笑声与喷嚏是否同步恢复。第 3 个问题是设计选择的影响：在尽量匹配的对比中，帧率、教师蒸馏、是否流式是否改变特征深度。
3 个问题共用同一套测量流水线，区别只在聚合维度：先按特征平均看排序，再按类别拆开看离散程度，最后按编解码器分组看设计差异。论文明确指出，教师蒸馏、帧率等分组还混杂码本数等其他差异，因此第 3 个问题的结论只能谨慎解读，不能当作严格因果。
从一句话到特征深度曲线的整体流程
整个流程可以沿着一个样本走一遍。先取一条原始语音，它同时带有性别、年龄、口音、嗓音、情感、语流等属性。把它送进某个神经音频编解码器，得到 K 个码本的编码，再分别只用前 1 个、前 2 个直到全部 K 个码本解码，得到一系列重建版本。然后把原音频和每个重建版本分别送给负责不同特征的机器听众，得到它们对每条音频的判断。最后比较重建与原音频的判断是否一致，随 k 增大画出一致性曲线，并找到首次达到全深度值 90% 的位置，记为该特征的特征深度。
这个流程把压缩深度问题转化成了判断一致性问题，解码器和听众共同决定了什么算保留。下面的示意图把这四步画得很清楚，初学者可以先看懂箭头方向，再理解后文的公式和表格都是在量化这条流水线。
流程示意图的四个步骤如何衔接
这张总览图值得花时间读，因为后文所有数字都从这里来。第一框给出输入语音及其携带的多类特征，第二框画出编码器把波形变成多列码本，再用不同长度的前缀送入解码器，第三框列出性别、年龄组、口音、情感、非言语声等机器听众的判断示例，第四框把原音频与重建的一致性随相对深度画成上升曲线，并标出 90% 阈值与特征深度的交点。读图时不要把曲线当作音质曲线，它是判断一致性的变化。
也不要把阈值点当作信息第一次出现的物理位置，它是听众加解码器共同作用下的可恢复位置。理解了这一点，就能明白为什么同一特征在不同编解码器上的深度可以直接比较，而不同特征之间的比较还需要加权来平衡类别分布。
看图路径： 1. 沿从左到右的四个编号框看样本如何变成深度曲线；2. 注意第二框中编码器到部分码本再到解码器的箭头含义；3. 注意第四框中一致性曲线与 90% 阈值交点即特征深度
论文图 1。原论文 Figure 1:：“Overview of the protocol. (1) A speech utterance x with different speaker and speech traits.”。
图 1 把输入、部分码本解码、多听众判断和加权一致性连成一条主线。第二框中的相对码本深度是横轴的来源，第四框中的阈值交点是特征深度的来源。第三框提醒读者，每个特征由专门的听众负责，判断示例中的变化正是 κ 要捕捉的不一致。后文的公式只是把这张图的第四框写成可计算的形式。
部分码本解码具体做了什么操作
部分码本解码是论文的实验操作核心。对输入 x，先编码得到 c1 到 cK，再用前 k 个码本解码得到重建，记作 x 的 k 版本。k 从 1 取到 K，对应从最低码率到全码率的一组重建。不同编解码器的 K 不同，多的有 32 个，少的有 4 个，因此论文还用相对深度(k-1)/(K-1) 把位置归一化到 0 到 1 之间。附录说明码本数不超过 12 的编解码器逐个前缀都解，25 和 32 码本的模型在前 8 个逐个解，之后取更稀疏的网格。
所有编解码器统一读 16 千赫输入，再按各自需要重采样到输入采样率，重建后再采回 16 千赫送给听众。这个细节保证了听众听到的采样率一致，深度差异更可能来自码本信息量而非采样格式。举例来说，同样是只用前两个码本，在 8 码本模型里已走过约七分之一的相对深度，在 32 码本模型里只走过约三十分之一，因此必须用相对深度才能跨模型比较。
神经音频编解码器 × 残差向量量化： 神经音频编解码器指把波形压缩成离散码再解回波形的模型，残差向量量化指用一串码本逐级量化前一级剩下的残差；两者搭配后，一个模型可以用前 k 个码本在低码率下重建，码本序号就成为可比较的信息深度。
机器听众如何给出判断与一致性如何计算
机器听众是现成的特征预测器，不是为每个编解码器新训练的探针。口音用 Voxlect 作代表听众，非言语声用 SSLAM 作代表听众，其余特征用 VoxProfile，另有 audeering、GenAID、emotion2vec 等辅助听众用来检验结论是否依赖特定预测器。每个听众对原音频和每个重建都给出 1 个类别判断，例如性别判为女性或男性，年龄判为 30 岁以下、30 到 60 岁、60 岁以上。一致性用 Cohen’s κ 衡量，先算观察到的一致率 po，再减去按类别边际分布算出的偶然一致 pe，最后除以 1 减 pe。
嗓音质量是多标签，观察一致在全部属性判断上汇总，偶然一致按每个属性分别算再平均。加权的作用是纠正类别不平衡和听众准确率差异：每个原音频判断按正确与否和多数类少数类分成四层，权重取 7 个特征平均层分布除以该特征层分布，且权重只依赖原音频判断，在不同编解码器和深度间保持固定。
\[\kappa_{t}(k)=\frac{p_{o}-p_{e}}{1-p_{e}},\]上式中 po 是重建与原音频判断相同的样本比例，pe 是按两端类别比例相乘求和得到的偶然一致。加权版本把计数换成加权计数。特征深度则定义为加权 κ 首次达到全深度值 90% 时的最小相对深度。
\[d_{t}=\min\Bigl\{\frac{k-1}{K-1}:\kappa_{t}(k)\geq 0.9\,\kappa_{t}(K)\Bigr\}.\]需要强调，κ 比较的是听众在两版音频上的判断是否相同，不是与人工标注是否相同；达到阈值只说明相对恢复程度，不代表绝对性能高。
部分码本解码 × 机器听众： 部分码本解码指只用前 k 个码本重建语音，机器听众指预测性别、年龄、口音等特征的已有分类器；两者搭配后，不用训练新探针，直接比较听众在原音频和重建音频上是否给出相同判断，就能推断该深度保留了多少可恢复的特征信息。
Cohen’s κ × 加权处理： Cohen’s κ 指扣除偶然一致后的一致性分数，加权处理指按原音频判断的正确与否和多数类少数类分层后重新赋权；两者搭配后，不同类别不平衡和不同听众准确率带来的偏差被削弱，跨特征和跨类别的深度比较更公平。
特征深度 × 相对码本深度： 相对码本深度指(k-1)/(K-1) 表示的归一化位置，特征深度指加权 κ 首次达到全深度值 90% 时的相对深度；两者搭配后，不同码本总数 K 的编解码器可以放在同一尺度下比较，特征深度成为编码位置的代理指标。
本研究没有训练什么实际计算了什么
本研究没有训练任何编解码器或听众，所有计算都是推理和打分。调用的是已发布的编解码器权重和听众权重，按附录列出的检查点和代码运行。实际计算分为 3 段：先对每条测试语音做部分码本解码，得到多个重建波形；再用听众对原音频和每个重建做前向推理，得到类别判断；最后按加权规则统计 κ 和特征深度，并在交互网页上支持更换阈值和查看单编解码器曲线。
论文报告总计算上限约为 1400 个 GPU 小时，使用的显卡包括多种型号且多人共享，因此实际耗时会有出入。这里没有梯度更新、参数冻结或优化器选择的问题，也不能从无训练推出输出确定，因为解码和听众推理仍受实现和重采样等细节影响。复现时关键是拿到相同的检查点、相同的解码前缀网格和相同的测试划分，而不是重新训练。
17 个编解码器与七类特征的数据条件
编解码器覆盖不同帧率、采样率、码本数、码率，以及是否蒸馏和是否流式。帧率从 12.5 到 75 赫兹，采样率为 16 或 24 千赫，码本数在 4 到 32 之间。配对比较包括同一设计的两个帧率版本，以及 PAST 与其流式版本。特征与数据的对应关系需要仔细看，因为不同特征用不同数据集，规模和说话人数量差异很大。口音用 Voxlect 英文测试集，性别年龄用包含多个语料的测试集，嗓音质量用 ParaSpeechCaps 测试划分，情感用 IEMOCAP 的随机一成子集，语流用 2 个流畅度语料测试集的随机 20%，非言语声用 VocalSound 测试划分。
要理解标签与听众如何对应，可以先看标签与听众的归纳，再看数据规模是否可比，同一特征内比较使用同一听众和同一测试集，κ 越高表示重建与原音频判断越一致。
特征标签听众与数据集的对应关系
这张原表列出 7 类特征的标签、代表与辅助听众、对应数据集，是理解后文跨特征比较是否公平的基础。阅读时注意性别只有两类而口音有十几类，嗓音质量是多属性描述，情感和语流的类别数也不同，这正是需要加权 κ 的原因。
| Trait | Labels | Machine Listeners | Dataset |
|---|---|---|---|
| Sex Age | female, male under 30, 30–60, over 60 | VoxProfile; audeering | TIMIT, VoxCeleb, Common Voice |
| Emotion | anger, contempt, disgust, fear, happiness, neutral, sadness, surprise, other | VoxProfile; emotion2vec+ | IEMOCAP |
| Speech flow | fluent, block, prolongation, sound repetition, word repetition, interjection | VoxProfile | FluencyBank, SEP-28k |
| Non-verbal | laughter, sigh, cough, throat clearing, sneeze, sniff | SSLAM; AST; SenseVoice | VocalSound |
表中性别年龄共用听众与数据，口音和非言语声各有多个听众备选。辅助听众与代表听众的一致性较高，全深度点上的相关在 0.87 到 0.98 之间，因此正文只用代表听众展开分析。限制在于，不同特征的数据集不同，说话人数量和口音覆盖不同，跨特征的深度排序可能混入数据收集和标注可靠性的影响，不能全部归因于编解码器行为。
下面这张整理表把论文用文字报告的关键类别深度放在一起，便于直接看到类内差异的幅度。表中深度都是相对码本深度，阈值都是全深度 κ 的 90%，条件是 17 个编解码器平均后的结果。
| 特质 | 类别举例 | 相对码本深度 | 阈值条件 | 比较对象 |
|---|---|---|---|---|
| 语流 | 流畅与各类不流畅 | 30–40% | 90% 全深度 κ | 同特征内各类别 |
| 非言语声 | 笑声 | 20% | 90% 全深度 κ | 喷嚏咳嗽 50–60% |
| 非言语声 | 喷嚏或咳嗽 | 50–60% | 90% 全深度 κ | 笑声 20% |
上表说明语流各类别深度集中在 30–40% 附近，而非言语声内部从 20% 到 50–60% 拉得很开。代价是这是平均后的近似区间，不是某个具体编解码器的精确位置；反例是年龄组内部差异较小，不能用同一套数据代表性解释。未胜出的细节是情感和口音的常见与少见类别也有深浅差异，但数值分散在热力图中，没有写成这样简洁的区间。
各特征测试规模与编解码器覆盖范围
这张原表给出每个特征的片段数、说话人数和总时长，是判断类别级结论稳定性的依据。阅读时注意情感只有 600 条 10 人 1 小时，而口音有近 40,000 条，嗓音质量有上 10000 条但只有 63 人。规模小的特征其类别级深度估计更不稳定，这是论文在局限中明确承认的。
| Trait | Clips | Speakers | Hours |
|---|---|---|---|
| Accent | 39,911 | 173 | 82.18 |
| Sex, age group | 12,619 | 1,295 | 23.45 |
| Voice quality | 13,076 | 63 | 27.16 |
| Non-verbal sound | 3,591 | 574 | 4.14 |
| Emotion | 600 | 10 | 1.00 |
表中口音数据量最大，情感和语流数据量最小。限制是测试集以英语为主，结论不一定推广到其他语言；不同特征的数据集不同，跨特征排序可能受语料影响。另一张整理表把编解码器覆盖范围和听众一致性放在一起，说明设计比较的边界条件。
| 对象 | 指标 | 数值范围 | 条件 | 说明 |
|---|---|---|---|---|
| 编解码器 | 帧率 | 12.5 到 75 Hz | 17 个模型 | 采样率 16 或 24 kHz |
| 编解码器 | 码本数 | 4 到 32 | 17 个模型 | 码率各不相同 |
| 听众一致性 | 相关 | 0.87 到 0.98 | 代表与辅助听众 | 全深度点范围 |
上表说明帧率和码本数跨度大，聚合比较必然混杂其他设计差异；听众间相关高，支持用代表听众代替全部听众展开。代价是聚合层面的帧率趋势与配对比较方向相反，论文提醒需要进一步澄清，不能直接得出高帧率一定更深或更浅的因果结论。
跨特征看哪些信息在更浅位置可恢复
下面这张图是跨特征结论的主要证据，横轴是相对码本深度，每个点是一个编解码器，灰条是均值。读图说明：先确认纵轴 7 个特征的顺序，再看均值条从左到右的位置，越靠左表示达到 90% 阈值所需的相对深度越浅。颜色区分是否蒸馏，符号区分帧率和是否流式，但跨特征排序看的是所有点的平均趋势。
看图路径： 1. 先看纵轴七个特征的排列与横轴相对码本深度的含义；2. 再比较灰色均值条在性别与嗓音质量年龄组之间的位置差异；3. 注意冷暖颜色区分蒸馏与非蒸馏，符号区分帧率和流式
论文图 2。原论文 Figure 2:：“Trait depths d_t for each codec for each trait, the relative codebook depth at which the reweighted \kappa first reaches 90% of its full-depth value.”。
图 2 显示性别平均最浅，其次是语流，嗓音质量和年龄组最深，情感、口音、非言语声居中。论文给出两种可能的解释方向，一是线索的时间尺度不同，二是发音参与方式不同，但都明确标注需要进一步验证。理解适用条件很重要：深度是相对于各自全深度值的 90%，若某编解码器绝对一致性本来就低，它也可能在很浅处达到相对阈值；此外解码劣化本身可能改变听众判断，不一定是该特征真的被保留或丢失。因此排序说的是可恢复性的相对位置，不是人耳感知的保真度排序。
同一特征内不同类别是否同步恢复
这张热力图按类别拆开，看类内深度是否一致。读图说明：每张子图横轴是相对码本深度，颜色越深表示加权 κ 越高，每行黑色短刻度是该类别首次达到 90% 的位置。先看语流子图各行刻度是否对齐，再看情感、口音、非言语声各行刻度是否拉开，最后看嗓音质量按音高节奏清晰度质地音量的分组模式。
看图路径： 1. 先看每个子图的横轴相对深度与颜色代表的加权 κ 高低；2. 再找每行黑色短刻度标记的 90% 阈值位置；3. 比较语流各行刻度集中与情感非言语声各行刻度分散的差别
论文图 3。原论文 Figure 3:：“Per-class reweighted \kappa by relative codebook depth, averaged over the 17 codecs.”。
图 3 显示语流各类别深度相近，流畅与各类不流畅都在 30–40% 附近达到阈值；情感中常见 4 类更浅，厌恶惊讶恐惧等更深；口音中更常见的英语变体更浅，爱尔兰南非等更深；非言语声中带浊音的笑声约 20% 即达阈值，喷嚏咳嗽需 50–60%；嗓音质量中质地类居中，音高维度里低沉尖细更浅，节奏维度里歌唱性语调更浅而断奏流畅感更深。
年龄组内差异较小，60 岁以上最浅，18 到 30 岁次之，30 到 60 岁略深。论文推测常见类别在训练数据中更充分，但年龄组结果与该推测方向不完全一致，说明不能用数据量单一解释。限制是小样本类别的估计不稳定，且数据集说话人构成不同，类别差异可能部分来自标注和采样而非编解码器本身。
帧率蒸馏与流式如何改变特征深度
设计比较尽量用配对，但多数编解码器同时差多个因素。帧率方面，同设计内高帧率在更浅处保留更多信息：25 赫兹的 DualCodec 比 12.5 赫兹版本在多数特征上更浅，50 赫兹的 FunCodec 比 25 赫兹版本在全部 7 个特征上更浅；但把所有编解码器按 50 赫兹以上与低帧率分组平均，方向反而相反，高帧率组平均更深。论文明确指出聚合比较混杂码本数和蒸馏策略，不能当作因果。
蒸馏方面，第一码本上蒸馏组平均保留更多特征信息，但达到 90% 阈值所需的相对深度反而更深，说明后面码本仍提供较多增量，不能理解为信息被压缩进第一码本；该比较同样混杂码本数等差异，需谨慎解读。流式方面，第一码本差异小，全深度差异更大；配对中 PAST 在 k 等于 1 时四特征更高、全深度时六特征更高，对口音嗓音年龄更早达阈值，对情感更晚，其余三特征无深度差；全部模型平均时流式与非流式差异小，仅非言语声和年龄组稍明显。
教师蒸馏 × 第一码本： 教师蒸馏指用自监督语音模型或音素等监督信号训练第一码本，第一码本指解码时最先使用的码本；两者搭配后，第一码本被赋予明确的语义偏置，论文据此比较蒸馏是否让特征在更浅位置就可恢复。
初学者容易误以为蒸馏越强或帧率越高就一定越好，这里要分清第一码本的绝对保留与达到相对阈值所需的深度是两个量；前者看起点高低，后者看曲线形状。论文没有做完全控制的消融，因此这些都是关联性描述，不是去掉某设计必然如何的证明。
这些结论在什么条件下才成立
第一，测的是机器听众判断的一致性，不是人感知到的特征保留。部分重建可能保留音高却丢失音色，性别分类器仍判对，但人听起来已不同；解码劣化带来的伪影也可能扰动听众，不能等同于特征丢失。第二，特征深度是相对量，达到 90% 阈值的位置浅不代表绝对 κ 高，绝对性能需要另看。第三，不同特征用不同数据集，规模、说话人数、标注可靠性都不同，情感小样本的类别估计尤其不稳定。
测试以英语为主，跨语言推广待验证。第四，编解码器设计比较不是完全控制实验，帧率、码本数、蒸馏、流式相互纠缠，只能说有关联，不能说因果。论文还指出，交互网页允许改阈值、看单编解码器曲线和辅助听众对比，读者可以用同一套数据检验阈值选择是否改变排序，这是判断结论稳健性的直接方法。
复现第一步做什么与需要哪些信息
复现第一步是按附录拿到相同的编解码器检查点、听众检查点和测试划分，而不是重新训练。论文没有公开可用的代码模型数据绑定记录，因此不能声称作者资源已公开，只能按论文列出的检查点、代码和许可各自获取并遵守许可，不重新分发音频。接着按附录的解码前缀网格做部分解码：12 码本以内逐前缀解，25 和 32 码本在前 8 个逐个解之后取稀疏网格；统一从 16 千赫输入重采样到各自输入率，重建后再采回 16 千赫。
听众推理时保持与论文相同的代表听众，嗓音质量按多标签规则汇总，权重只用原音频判断计算并在各深度间固定。关键超参数是 90% 阈值和相对深度归一化，改阈值会移动所有深度，比较时必须固定同一阈值。硬件方面论文给出约 1400 GPU 小时的上限估计，实际按模型和并发会有出入；推理开销、输出帧率和真实延迟是三件事，需要分别测量，不能用总 GPU 小时推断单条延迟。
什么时候值得尝试还需要补哪项验证
当任务需要在低码率下保留特定特征，或在语音对话、变声、匿名化中选择保留或重生成哪些码本时，这套特征深度画像值得参考：涉及性别语流等浅层可恢复特征的任务可能容忍更少码本，涉及嗓音质量年龄组等深层特征的任务则需要更深重建；做篡改检测时也可以针对性地观察特定深度。
但使用前要补三项验证：一是用人听评价核对机器听众的一致性是否对应可感知的保留，二是用绝对 κ 补充相对阈值，避免低绝对值下的浅深度误导，三是在说话人平衡、标注一致的共享语料上重测跨特征排序，并换阈值和换辅助听众看排序是否稳定。总体上，码本层级不是对所有特征统一的粗到细结构，而是随特征变化的；任何把第一码本或前几个码本当作通用粗粒度表示的做法，都应先说明针对的是哪类特征、在哪个数据集和哪个听众下成立。
📎 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