📄 Monsoon：为低资源语言大规模收集自发语音
英文题目：Monsoon: Scalable Spontaneous Speech Collection for Low-Resource ASR in 50 Languages
评分：7.2/10 | 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 1.2/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 1/1.5
👥 作者与机构
- Shobhit Banga：机构信息未能在本次解析中与作者逐人可靠绑定
- Manas Dhir：机构信息未能在本次解析中与作者逐人可靠绑定
- Aaditya Pareek：机构信息未能在本次解析中与作者逐人可靠绑定
- Amritansh Walecha：机构信息未能在本次解析中与作者逐人可靠绑定
- Bhaskar Singh：机构信息未能在本次解析中与作者逐人可靠绑定
- Hanuman Sidh：机构信息未能在本次解析中与作者逐人可靠绑定
- Manmeet Kaur：机构信息未能在本次解析中与作者逐人可靠绑定
- Sagar Jain：机构信息未能在本次解析中与作者逐人可靠绑定
- Supriya Paul：机构信息未能在本次解析中与作者逐人可靠绑定
- Vanshika Chhabra：机构信息未能在本次解析中与作者逐人可靠绑定
- Utkarsh Singh：机构信息未能在本次解析中与作者逐人可靠绑定
📌 核心摘要
面向低资源语言的自动语音识别输入是真实对话录音，输出是文字转写。难点是已有训练数据多为朗读或复用音频，与日常自发说话差异大，标注噪声又难以靠文本规则修复。Monsoon把两名陌生说话人配对，用手机分通道录制按话题引导的即兴交谈，再用语言性别与录制媒介分类器过滤并切分单人片段。草稿转写经过五轮一人修改一人核验并抽检入库，入库前再按音质与时长分桶优先保留稀有词片段并控制说话人占比。与来源固定的复用数据做法的关键差异是采集阶段即控制话题多样性与说话人分布，并以多轮校验与筛选换质量。在一千小时同等时长与相同引导话题下，Monsoon处理后数据训练的Whisper medium比仅做语言检查与单轮转写的常规协议在Hindi等三语的IndicVoices与Vistaar评测上语义词错率相对低10%至39%。在双方均未见过的IndicVoices与Voice of India自发语音评测上，Monsoon微调的Whisper medium比同架构IndicWhisper语义词错率低20至44个点。该结论不含卡什米尔语对比，在Vistaar自带集上双方基本持平且泰米尔语差距较大，超出现有三千五百小时量级与商用系统未知训练数据范围尚未验证；训练成本为每语言在8卡H100上以全局批量256用bf16微调五个epoch。
🔗 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
为什么低资源 ASR 卡在自发语音数据
本文任务是自动语音识别，即把语音转写成文字。对英语这类转写语音充足的语言，最好的系统在公开榜单上平均词错率已低于 6%。论文引用 Whisper 的规律：每语言训练音频每扩大 16 倍，词错率约减半，呈对数线性下降。因此对多数语言，瓶颈不是模型结构，而是准确转写的自发语音太少。
现有小语种语料的问题是三重错位。体量小；以朗读或按提示朗读为主，与日常自发用法不匹配；标注校验弱，指南不统一、众包转写少复核、拼写不一致割裂标签空间，而这类非系统噪声靠文本归一化补不回来。靠已有来源放大的多语料，如志愿朗读、议会录音、宗教文本、弱监督网页音频，来源决定了域、风格和标签质量，聚合训练的模型在同来源测试上好，换到对话语音就掉很多。稀缺的不是一般语音，而是为部署条件收集和验证的数据。
自发语音 × 朗读语音： 自发语音指无稿对话中自然产生的停顿、重复、打断和口语词汇，朗读语音指照稿念出的规范完整句子；前者是部署时要识别的对象但难以收集和标注，后者易大规模获得却与前者声学和词汇分布不同，所以只用朗读语音训练的模型在自发测试上会大幅退化，Monsoon 专门收集前者来补这个缺口。
已有对话语料和放量思路为何不够
对话语音语料一直贵。Switchboard 把英语电话对话做成训练资源，Babel 计划扩展到低资源语言但每语言只有几十小时。IndicVoices 覆盖 22 个语言共 1.12 万转写小时，包含即兴和对话语音，是本文重要的参照和测试之一。带口音和野外语音的评测反复发现，现有系统在朗读之外表现差。
放量路线多是利用现成音频。志愿朗读、议会、宗教文本、弱监督网页音频，或把早期公开语料打包。做法决定了说话风格和域固定，标签质量至多事后过滤。论文指出这些因素过去是孤立研究的：正字法复杂度预测跨语言误差、固定量下说话人数带来对未见口音的稳健性、DNSMOS 这类非侵入声学质量预测，但没有把它们组合进收集流程并在同量下与常规收集对打。本文的对照正是要补这一环。
Monsoon 要解决的具体问题是什么
Monsoon 要回答的是如何在 50 个语言可扩展地收集可训练的自发语音，并在质量可控下证明它对部署条件有效。输入是双人无稿对话录音和话题池，输出是单人片段加转写文本构成的每语言约 3500 小时语料。必须保留的信息包括真实对话的词汇和声学多样性、说话人覆盖、噪声尾部，以及转写与音频的一致性。
论文分析其中 7 个语言：孟加拉语、古吉拉特语、印地语、克什米尔语、马拉地语、泰米尔语、泰卢固语。每语料来自双人对话分开录制的声道，切成单人片段。克什米尔语没有同等规模的公开训练语料，人口基数小，贡献者更少而更深，片段更短，性别更偏斜，这在后文表 1 中可见。评估必须同时看基线主场和双方都未见的自发测试，否则无法区分是记住了来源还是学会了自发域。
Monsoon 流程的全貌与各段分工
Monsoon 分 5 段。招募与引导产生对话：从已有贡献者网络按语言招募，含乡村和半城镇，通过目标语言能力筛查，付费、知情同意并授权模型训练与分发，每人录音量上限为单语料的 0.2%。引导用话题让陌生配对在自有手机上点对点录音，每会话 10 到 20 分钟。
之后是门控与切分、转写、精选。分类器验语言和性别，过滤含音乐等录制媒体声，单声道切分，低质量段人工判可懂，草稿转写经 5 级人工修订。最后从约 10 倍的验证池中按质量、时长分箱和词稀有度排序选出终版，兼顾词汇覆盖和声学尾部。约 67% 的录制音频能活到门控加转写之后，精选池约为终版 10 倍，这是用丢弃换质量的代价。
7 个语料共 24472 小时、8,430,000 句、41947 名说话人。印地语覆盖 781 个县，近乎全印度；克什米尔语仅 31 个县。下文按样本旅程展开每段做了什么。
话题如何让陌生人持续说出可用对话
一个样本从配对开始。平台把 2 名通常互不认识的贡献者配对，各自用自己的手机录各自声道，天然得到单人通道，避免后续做说话人分离。每会话给一个话题：一句情景加 5 个子话题，依次揭示，撑起 10 到 20 分钟无稿 speech。话题由 Gemini 3.7 Flash 在 35 个日常域上生成，以已接受话题为条件避免重复，子话题走 6 种对话弧线之一。
约束是关键。要求每阶段双方都参与，至少 1 阶段引出数字、1 阶段引出步骤，至少 2 阶段要求说出真实地名、店铺或产品名，同时提示本身保持地域中立、不含角色扮演。这样既保证数字、地名、程序性表达这些 ASR 难点的覆盖，又不把话题锁死在某地。候选话题用 BGE-small 嵌入，与最近已接受话题余弦相似度超 0.8 就拒掉，阈值靠看近重复对调出；域饱和时拒绝率从 16% 升到 50% 以上。接受后由母语者翻译修订，池子每语言约 5000 话题并随录制增长，同一对不会拿到重复话题。
门控和切分如何丢掉错语和坏声
录完先验是不是目标语言和基本属性。从 XLS-R 300M 微调的分类器在超 20,000 小时标注音频上验证语言和说话人性别，留出集准确率超 95%；PANNs 把任一录制媒体类如音乐概率超 0.5 的录音拒掉。这一步处理对象是整段录音，解决串语、误录和背景媒体污染。
通过后再切分。每个声道单独用 WebRTC VAD 在至少 2 秒停顿处切分，设 15 秒软上限，保证每段只有 1 人。声学质量用 DNSMOS P.808 打分，低于 2.6 的段只在人工判可懂时保留，2.6 在绝对类别评分上介于差与一般之间。草稿转写由每语言一个 Whisper medium 模型产生，该模型先在 1000 小时标注数据上微调过。切分和草稿都是为后级人工修订准备中间结果，低质不直接全丢，而是留可懂尾部。
DNSMOS × WebRTC VAD： DNSMOS 是对语音声学质量的非侵入式预测分，WebRTC VAD 是按静音切分语音的检测器；Monsoon 中 VAD 先把双人对话的每个声道按至少 2 秒停顿切成单人片段并设 15 秒软上限，DNSMOS 再把片段按 2.6、3.0、3.4 分箱并决定低分区是否需人工判可懂，分别解决切分和质量分层问题。
五级转写如何把草稿改到可用
草稿进 5 级，每级是 1 人编辑加另 1 人核验。第一级对照音频改草稿，后面各级分别盯含糊发音、语码切换边界、命名实体和拼写变体。数字写成词，第 5 级后仍有争议的段重转写。对象是段级文本加音频，解决口音、混语、地名和拼写不一致。
质量靠审计锁住。标注员按每 100 段一批自动审计，若一批出现脚本外字符、在多段重复同一插入、或相对多个开源 ASR 输出的最小字符错率系统性升高，就标出人工复查，阈值按语言调。之后内部团队抽查每名标注员的段，只有抽样中至少 98% 判对，该标注员的段才入库。这是用人力成本换标签一致性，也是与常规单遍转写的主要区别之一。
精选如何从十倍池中挑出最终小时数
未过滤对话里问候、填充词和附和太多，质量和长度不均，需要精选。段按 DNSMOS 以 2.6、3.0、3.4 为界分箱，再按时长分箱，在每箱内按词的平均逆池频率排序。直觉是少见词权重高，与长度无关，填充词主导的段自然下沉。
\[s(x)=\tfrac{1}{n}\textstyle\sum_{i=1}^{n}1/f(w_{i}),\]上式计算一段 x 的得分：对段中 n 个词 w1 到 wn，取每个词在池中频率 f 的倒数再平均。先形成词频，再倒数平均，再用于箱内排序。每箱给相同目标小时数，按排序、按说话人和性别填充，受单人 0.2% 上限约束；数据不足的箱有多少给多少，缺口由其余箱补。稀缺条件如 noisy 和短音频因此保留为小而存在的尾部，不被挤掉。
选段 × 逆池频率： 选段指从约十倍于终版的已验证语音池中挑出最终 3500 小时，逆池频率指词在池中出现频率的倒数；按该均值排序能让少见词的段排在前面、问候语和语气词主导的段排在后面，再配合按质量和时长的分箱定额取样，既保留稀有词汇又保留少量 noisy 和短语音尾部。
模型如何训练与微调
本文训练的是 ASR 微调，不是 Monsoon 收集本身的学习。主线是每语言单独微调 Whisper medium，另有一路持续微调 SraVaani-1.0 以验跨架构。SraVaani-1.0 是独立预训练、面向印度语言的 FastConformer 模型，与 Whisper 在编码器结构、解码器形式和预训练数据上都不同，且已在大量同语数据上训练过。
schedule 两路相同：AdamW 5 轮，学习率 10 的负 5 次方，500 步热身加余弦衰减，8 卡 H100 上 bf16，梯度裁剪 1.0，每卡批量 16 加两步累积，全局 256，加 SpecAugment。Whisper 用时频掩码概率 0.05 宽 10，SraVaani 用权重衰减 10 的负 3 次方加默认 SpecAugment。评估不训练法官模型，语义词错率的法官是 Gemini 3.6 Flash。原文未披露更细的冻结层或梯度路径，复现时只能按上述可报告项执行，不应从模型名猜实现。
在什么测试和指标下比较才公平
比较分两类测试。Vistaar 测试集、CommonVoice、FLEURS、GramVaani、IndicTTS、Kathbath 及其噪声变体、MUCS，这些与基线 IndicWhisper 训练来源相同，对基线是同分布，对 Monsoon 是未见来源。IndicVoices 和 Voice of India 对双方都是异分布，且是独立收集的自发语音。克什米尔语因基线和商业系统都不支持，被排除在对比之外。
指标是语义词错率，大语言模型折扣保留说话内容的形式差异，Voice of India 用其正字法感知变体。方向越低越好。架构固定时，Monsoon 微调 Whisper 与 IndicWhisper 同为 Whisper medium，主要反映训练数据差异，但论文提醒训练配方不同，不能说唯一变量是数据。商业对比在 2026 年 9 月测，商业系统训练数据未公开，可能见过 IndicVoices 公开训练切分，而 Monsoon 模型所用 769M 参数模型没见过，所以该对比对 Monsoon 是保守的。
语义词错率 × 词错率： 词错率统计识别文本与参考转写在词层面的增删改比例，语义词错率则先用大语言模型法官折扣不改变说话内容的形式差异再计错；前者对拼写变体和同义形式很敏感，后者更接近内容是否听对，本文主结果用语义词错率，方向是越低越好。
Vistaar 测试集 × IndicVoices 与 Voice of India： Vistaar 测试集与基线 IndicWhisper 的训练来源相同，对基线是同分布，对 Monsoon 是未见来源；IndicVoices 和 Voice of India 是独立收集的自发语音，对双方都是异分布；前者检验是否在基线主场打平，后者检验训练域是否为自发对话，组合起来才能区分是数据量还是数据域带来的差距。
在基线主场打平在自发测试拉开差距吗
先看与架构相同的 IndicWhisper 对比。IndicWhisper 在约 10700 小时与 Vistaar 同源的公开语料上训练。图 1 左为 Vistaar 均值，每语言括号内是集合数；右为 IndicVoices 实线和 Voice of India 虚线，左右径向刻度不同。左图两多边形大体重合：在古吉拉特语和泰卢固语 Monsoon 领先，印地语、马拉地语、孟加拉语差距在 1 点内，只有泰米尔语基线领先更多。含义是在未见过对方来源下打平主场。
看图路径： 1. 先看左图 Vistaar 面板中蓝色与橙色多边形是否基本重合；2. 再看右图异分布面板中蓝色是否整体落在橙色内圈；3. 注意左右径向刻度不同，不能直接比较多边形绝对大小；4. 对照泰米尔语在左图的例外和右图各语言差距下限
论文图 1。原论文 Figure 1:：“Semantic WER (%) of Monsoon-trained Whisper and IndicWhisper.”。
右图是本图真正要看的：每个 IndicWhisper 点都在 32% 以上，每个 Monsoon 点都在 17% 以下，同语言差距至少 20 点，结论写为 20 到 44 点。IndicWhisper 一旦离开训练来源误差翻数倍，Monsoon 则与左图水平接近。机制解释是训练域：基线多为朗读源，没为自发准备；Monsoon 为自发收集，能迁移到独立收集的自发语音且损失小。该结论只在双方都未见的自发基准上成立，不能推广到所有域。
下表先看语料规模与构成，理解上图是在什么体量下取得的。表前比较问题是七语料是否真达到约 3500 小时量级且说话人覆盖是否广，指标方向是小时数、句数、说话人数越多一般覆盖越好，女性占比和设备数反映多样性。
| Lang. | Hours | Spk. | F | MOS |
|---|---|---|---|---|
| Bengali | 3,500 | 4,863 | 62% | 3.66 |
| Hindi | 3,611 | 13,731 | 37% | 3.61 |
| Kashmiri | 3,330 | 2,936 | 19% | 3.61 |
| Tamil | 3,488 | 3,452 | 58% | 3.56 |
表中可见印地语 3611 小时、13731 人、781 县、1123 款设备，中位 DNSMOS 3.61；克什米尔语 3330 小时但 1,620,000 句、中位长仅 6.4 秒、2936 人、女性仅 19%、31 县，说明人口基数小时更少而更深、更短、更偏斜。总量 24472 小时 8,430,000 句 41947 人，单语超公开语料体量且平均说话人覆盖更高，这是后文放量仍有效的体量基础，但性别和地域不均仍是限制。
增益能跨架构、比过商用并随量增长吗
跨架构看持续微调 SraVaani-1.0。在印地语、孟加拉语、古吉拉特语、泰卢固语四语言上，IndicVoices 语义词错率相对降 13 到 28%，古吉拉特语最大。印地语全套中，FLEURS 和 Kathbath 等朗读基准最多升 0.4 点，属微小回退，论文指标准重放原训练数据可缓解。因此增益不是 Whisper 专属，且能在已训大量同语数据的模型上再加准确性，但朗读域需防回退。
商用对比在 IndicVoices 上，六语言平均 Monsoon 微调后 13.0%，把 Whisper medium 的 57-93% 降到 10-16%。下表为完整原表，比较问题是在双方都未见的自发基准上，769M 参数的微调模型与 2026 年 9 月商用系统的语义词错率高低，越低越好。表后解释见下段。
| System | hi | bn | gu | mr | ta | te | Avg. |
|---|---|---|---|---|---|---|---|
| MAI-Transcribe-2 | 9.5 | 8.3 | 11.6 | 10.5 | 13.2 | 17.7 | 11.8 |
| Gemini 3.1 Pro | 13.1 | 10.3 | 14.0 | 14.7 | 18.3 | 18.8 | 14.9 |
| ElevenLabs Scribe v2 | 13.2 | 12.0 | 16.6 | 16.4 | 22.7 | 23.2 | 17.4 |
| Muse Voice Transcribe | 16.2 | 14.5 | 31.9 | 24.8 | 35.2 | 33.0 | 25.9 |
| GPT Realtime Whisper | 33.4 | 45.0 | 47.9 | 48.1 | 64.5 | 55.0 | 49.0 |
| Whisper medium | 57.3 | 91.5 | 91.4 | 83.5 | 74.9 | 92.7 | 81.9 |
| + Monsoon | 11.8 | 10.0 | 12.3 | 12.2 | 15.6 | 16.1 | 13.0 |
表中 MAI-Transcribe-2 平均 11.8% 最优，Monsoon 微调平均 13.0% 次之，比第二好的商用 Gemini 3.1 Pro 的 14.9% 低约 13%。分语言看五语第二、一语第一，泰卢固语 16.1% 领先 MAI 的 17.7% 达 1.6 点，且每语言都领先 Gemini 3.1 Pro、ElevenLabs Scribe v2、Muse Voice Transcribe 和 GPT Realtime Whisper。限制是商用训练数据未公开且可能见过 IndicVoices 训练切分，该名次只在本次异分布自发测试和该时间点成立。
放量趋势看 1000、2000 小时随机子集与全量同配方对比。下图纵轴是相对 1000 小时模型的误差比，实线 IndicVoices，虚线 Vistaar 均值，横轴训练小时对数刻度。6 条曲线都单调降：到全量在 IndicVoices 降 11 到 14% 相对，在 Vistaar 降 21 到 25% 相对，后者约为前者 2 倍，三语言一致，且全量处无一变平，提示再收集可能继续降。
看图路径： 1. 先确认横轴是 1000、2000、3500 小时的对数刻度；2. 实线是 IndicVoices，虚线是 Vistaar 均值，纵轴是相对 1000 小时的比值；3. 看六条曲线是否都单调下降且末端是否变平；4. 比较虚线总降幅与实线总降幅的相对大小
论文图 3。原论文 Figure 3:：“Semantic WER relative to the 1,000-hour model, on IndicVoices (solid) and the Vistaar mean (dashed). Labels: total relative reduction.”。
该图支持量仍有效，但不能外推到无限增长，也未给出再翻倍的斜率。结合审计与 10 倍池的丢弃代价，继续放量意味着同比例的人审和录制成本。
同量同引导下质量阶段贡献多少
为分离流程本身的贡献，论文固定引导，只换处理。两侧用同样话题、配对和设备录音，一侧走 Monsoon 全流程，另一侧走常规协议：只查口语语言加单遍人工转写，无进一步门控、质量复核和精选。两侧各取 1000 小时用同配方训 Whisper medium，所以差异只能来自门控、转写和精选。测印地语、泰米尔语、泰卢固语，在 IndicVoices 和 Vistaar 上都看。
下图横轴是 1000 小时下语义词错率，灰为常规，蓝为 Monsoon，标签为相对下降。印地语两行降 19% 和 18%，泰米尔语 20% 和 16%，泰卢固语 39% 和 38%，汇总为 10 到 39% 相对。泰卢固语接近 40% 的降幅最大。
看图路径： 1. 按印地语、泰米尔语、泰卢固语三个色块分别看灰蓝两点距离；2. 横轴是 1000 小时下语义词错率，越靠左越好；3. 注意标签标注的是相对下降比例而非百分点差值；4. 比较泰卢固语两行降幅与另两语言的差异
论文图 2。原论文 Figure 2:：“Semantic WER (%) at 1,000 hours: conventional protocol (grey) vs. Monsoon (blue), same recipe. Labels: relative reduction.”。
该图说明增益同时出现在自发基准和 Vistaar 上，不只限于自发语音；因引导相同，不能归因于话题、配对或录音条件。限制是只测三语言 1000 小时点，未拆门控、5 级转写、精选各自贡献，也未测 3500 小时下该相对增益是否保持，不能把 1000 小时的百分比直接套到全量。
哪些结论有边界与未测项
第一，Vistaar 打平有一个反例：泰米尔语基线领先更多，不能说所有语言都打平或领先。第二，同量增益只在三语言 1000 小时验证，未拆阶段贡献，也未验证全量下是否同比例。第三，跨架构只测四语言的 IndicVoices，印地语朗读基准有至多 0.4 点回退，需重放缓解，未测延迟和成本。第四，商用对比受 undisclosed 训练数据影响，且时间定在 2026 年 9 月，换测试或换版本名次可能变。
数据本身不均。克什米尔语女性 19%、31 县、中位长 6.4 秒，与印地语 781 县、中位 12.9 秒差异大；性别、地域、设备尾部虽有保留但仍偏斜。评估依赖 LLM 法官的语义词错率，对法官版本敏感；Voice of India 用正字法感知变体，与他表数字不可直接比。50 语言中只分析 7 个，每语言 10 小时样本按需提供，不能把七语结论直接套到其余 43 语。
复现第一步做什么与需要什么条件
若要复现收集，先建话题池和配对录制：35 日常域生成一句情景加五子话题，约束含数字、步骤、地名产品，BGE-small 余弦超 0.8 拒掉，母语者译审，池每语言约 5000 并持续增长；双人陌生配对各自手机单声道录 10 到 20 分钟，单人上限 0.2%。再搭门控：XLS-R 300M 微调验语言性别，PANNs 滤音乐类超 0.5，WebRTC VAD 按 2 秒停顿切分加 15 秒软上限，DNSMOS 低于 2.6 人工判可懂，每语言 Whisper medium 在 1000 小时上微调出草稿。
转写按 5 级 1 人改 1 人验，数字写词，争议重转写，100 段一批自动审计加内部抽查 98% 门槛。精选按 DNSMOS 2.6、3.0、3.4 和时长分箱，箱内按上式逆池频率排序等额取样。训练复现按 5 轮 AdamW、学习率 10 负 5 次方、500 步热身余弦衰减、8 卡 H100 bf16、梯度裁剪 1.0、全局 256、SpecAugment 执行。资源状态上，本次未确认代码、模型或数据已公开，不得按已开源写；只有每语言 10 小时样本可按需索取，Kashmiri 因基线不支持不入对比。
什么时候值得尝试与还缺哪项验证
当目标是部署在无稿对话上、已有朗读数据在自发测试上掉点、且能承担约三成丢弃和 5 级人审成本时，值得尝试 Monsoon 式流程。它的价值不在新结构，而在把域对准自发、把质量做进收集：同源主场不输，异分布自发赢 20 点以上，同量质量阶段赢 10-39% 相对，跨架构仍赢，且量增仍降。
还缺的验证是分阶段消融、其余 43 语言的抽检、全量下常规协议基线的对比，以及法官模型更换后的稳定性。若只做一件事，先在目标语言复刻 1000 小时同配方对打：同样引导下比较全流程与单遍转写在自发和同源两类测试上的语义词错率，再决定是否投全量。
📎 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