一个平台查多种造假：媒体智能取证平台 MIP 是怎么拼起来的

📄 一个平台查多种造假：媒体智能取证平台 MIP 是怎么拼起来的

英文题目：Media Intelligence Platform: Multimodal Detection of Synthetic and Manipulated Content

评分：5.8/10 | 创新 1/2 | 技术严谨 1/1.5 | 实验充分 1/1.5 | 清晰度 0.7/1 | 影响力 0.8/1.5 | 开源 0.2/1.5 | 可复现 0.1/0.5 | 工程/实践 1/1.5

👥 作者与机构

• David Fischinger：机构信息未能在本次解析中与作者逐人可靠绑定
• Marcel Hasenbalg：Austrian Institute of Technology, Giefinggasse 4, 1210 Vienna - Austria
• Silvia Poletti：Austrian Institute of Technology, Giefinggasse 4, 1210 Vienna - Austria
• Davide Antonutti：Austrian Institute of Technology, Giefinggasse 4, 1210 Vienna - Austria
• Mina Schütz：Austrian Institute of Technology, Giefinggasse 4, 1210 Vienna - Austria
• Lam Pham：Austrian Institute of Technology, Giefinggasse 4, 1210 Vienna - Austria
• Justin Ilyes：Austrian Institute of Technology, Giefinggasse 4, 1210 Vienna - Austria
• Péter Rjabcsenkó：Austrian Institute of Technology, Giefinggasse 4, 1210 Vienna - Austria
• Simon Freitter：机构信息未能在本次解析中与作者逐人可靠绑定
• Martin Boyer：Austrian Institute of Technology, Giefinggasse 4, 1210 Vienna - Austria

📌 核心摘要

待解决的问题是生成式内容同时出现在图像、视频、音频和文本中，而现有检测器只覆盖单一篡改类型，难以应对异构来源的核查需求。论文提出的媒体智能平台接受多模态上传文件，按任务分发到对应检测模块，再把各模块的判定分数和可视化证据汇总到统一界面与作业记录中。图像侧用卷积网络与视觉变换器判别整图是否由生成模型产生，并用热力图叠加目标检测框提示伪造痕迹位置；另一支路用编码器加解码器结构同时输出整图篡改概率和像素级定位掩膜。人脸与视频侧分别处理换脸视频的人脸跟踪序列和证件照级别的人脸融合，音频侧对语音片段提取嵌入后做真伪判定，文本侧把多个分类器输出聚合成可靠性等级。与只做单模态判别的方法相比，该工作把异构模型封装为可独立部署的服务，支持统一调用和结果存储。音频语音伪造检测在 FakeAVCeleb 上达到准确率 0.99、F1 值 0.99、AUC 0.99。结论适用于各模块独立调用的取证场景，尚未验证多模态证据联合推理的效果。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://www.ait.ac.at/en/ — 链接可访问（HTTP 200）

• 演示资源：https://media-intelligence.ait.ac.at/ — 链接可访问（HTTP 200）

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

生成式 AI 让哪些媒体变得不可信

这篇论文面对的是生成式 AI 普及后的媒体取证问题。输入是日常流传的图像、视频、音频和文本，目标是判断它们是否由 AI 生成或被局部篡改，并尽可能给出可供人复核的证据。必须保留的信息包括原始文件的真实来源痕迹，例如生成模型的纹理伪影、拼接边界、说话人声纹异常或文本中的操纵性措辞。输出不是一句话的真假，而是每个模块的概率分数、可视化解释和任务记录。

对刚入门的研究生来说，关键是理解伪造类型很杂：整图由文生图模型生成、真照片里局部替换物体、两张人脸融合成一张证件照、视频里换脸或表情驱动、语音克隆，以及文本中的仇恨、毒性或宣传话术。单一检测器往往只对某一种有效，换一个生成器或压缩条件就下降。论文因此不提出单一新算法，而是把多个专用模块装进同一个网页平台，让取证人员能按需选用。

已有检测路线为什么是分散的

论文把相关工作按模态分开梳理。AI 生图检测从找语义错误和空域伪影，转向应对扩散模型，因为扩散图的可视痕迹更少，传统面向 GAN 的检测器容易失效，可解释方法如 Grad-CAM 和 SHAP 被用来辅助人工核查。图像伪造定位则关注拼接、复制移动、修复等经典编辑，从手工的 JPEG 痕迹、噪声不一致转向 ManTra-Net 和 U-Net 变体等编码器解码器结构，同时输出真假判断和像素掩膜。

人脸变形检测分为单图和差分两种设定，前者只看一张图，后者对比待检图与参考图，近年都用在大规模人脸识别上预训练的判别嵌入代替手工特征。音频伪造检测分为语音伪造和环境声伪造，主流做法是微调 XLSR、WavLM、BEATs 等预训练音频基础模型，迁移学习已超过手工特征。文本方向则把事实核查、宣传、情感、谣言等任务拆开，近年强调语言、语义和风格特征的结合，以及毒性和仇恨言论检测在内容审核中的作用。

在系统层面，InVID-WeVerify、vera.ai 插件、DeepFake-O-Meter v2.0 以及 TrueMedia、Sensity、Reality Defender 等商业系统已经尝试把多检测器聚合到统一界面或 API。但论文指出它们往往透明度有限、部署受限、评测不公开。MIP 的定位就是在保持模块多样的同时，给出统一的 REST 接口、本地化部署和可复现的基准条件。

平台要解决的实际取证麻烦是什么

实际取证的麻烦在于异构输入和工具碎片化。同一个事件可能同时有可疑图片、可疑视频片段、可疑录音和煽动性文本，调查人员要在不同工具间切换，每个工具的上传方式、参数和结果格式都不一样。论文把问题定义为如何在一个框架里支持多模态上传、工具选择和任务追踪，同时允许不同模型独立开发和扩展。

下图是平台总览示意，展示了输入、工具选择和历史三部分是如何摆在同一界面里的，读的时候可以对照它理解后文的模块划分。

看图路径： 1. 先看左侧输入区支持图像、视频、文本、音频四种上传方式；2. 再看右侧分析工具选择区每个工具标注的输入模态；3. 最后看底部历史区记录的任务名、所用模型和分析工具的对应关系

论文图 1。原论文 Figure 1:：“MIP overview. The platform supports multimodal input upload, analysis tool selection, and job history tracking.”。

从图中可见，左侧输入区同时接受图像、视频、文本、音频，既支持网页拖拽上传，也支持后端 API 接入；中间是分析工具选择，每个卡片标明需要的输入模态，例如 AI 生图检测要图像、深度伪造音频检测要音频；底部是任务历史，记录任务名、日期、输入文件、所用模型和完成状态。这种设计把论文的问题具体化了：不是追求单个分数最高，而是让一次调查能连贯地走完上传、选工具、看结果、回溯历史。

MIP 的整体流程和分工是怎样的

MIP 采用容器化的微服务架构。用户或外部应用通过网页前端 MIP-UI 或直接调用 API 发起分析请求，后端把任务分发给对应的 Module，每个 Module 是独立 Docker 容器，跑在本地 Kubernetes 集群的多 GPU 硬件上，通过标准化的 REST 接口返回统一的 ModuleResult 结构。结果和元数据分别存进共享 NFS 文件系统和 PostgreSQL 数据库，前端再按模块定制可视化。

下图是微服务架构示意，显示了前端、后端、存储和多个取证模块之间的数据走向，理解这张图就能抓住全文各模块的位置。

看图路径： 1. 沿用户和 API 两条箭头看请求如何进入 MIP 后端；2. 看后端如何同时连接数据库、文件系统和多个取证模块；3. 注意 Kubernetes 边框表示所有服务都跑在同一集群内

论文图 3。原论文 Figure 3:：“Schematic of the MIP microservice architecture.”。

图中左侧是人和 Web App UI 与 API 两条入口，都指向集群内部；MIP-UI 把请求转给 MIP 后端，后端一方面写数据库和文件系统，另一方面并行调用下方的多个媒体取证模块。GPU 资源用 HAMi 共享，允许多个推理服务跑在同一块卡上并保持内存隔离。论文强调 4 个设计原则：模块化、可扩展、可复现、部署独立，所有服务可离线运行，这对隐私敏感的取证流程很重要。

Module × Model： Module 指分析任务，例如 AI 生成图像检测或文本分类，它规定输入是什么、输出是什么；Model 指实现该任务的神经网络。搭配的意义是同一个 Module 后面可以挂多个 Model，对外接口不变，内部可以替换，这让平台能同时比较不同检测器，也方便以后接入新的伪造手段而不改整体流程。

整图是不是 AI 生成的：四个检测器怎么做

AI 生成图像检测模块处理的是整张图是否为文生图模型产物的问题。输入是标准图像格式，输出是真假概率，并可叠加可解释热力图。模块内装了 4 个检测器变体和 16 种可解释方法，用户可以并排比较不同模型的预测，再选不同的可解释策略看决策依据。热力图还会和目标检测结合，标出伪影最突出的物体，帮助分析人员定位视觉证据。

模型上组合了 ResNet-50 和 ViT-B-16 两个家族。ViT 是全量微调，ResNet 则尝试只微调全连接层、再逐步放开更深层的策略。训练用 MS-COCO 的真实图和 AIText2Image 的合成图混合，合成部分来自 Stable Diffusion XL、DALL-E 2 和 Midjourney 5，并加了 JPEG 压缩和常见滤波增强以提高鲁棒性。

ResNet-50 × ViT-B-16： ResNet-50 是卷积神经网络，擅长捕捉局部纹理和生成痕迹；ViT-B-16 是视觉 Transformer，擅长建模全局结构和语义不一致。两者分工不同，搭配使用是为了检验不同结构在未见过生成器上的泛化差异，组合后平台可以让用户并排比较它们的预测和可解释热力图。

需要提醒的是，这里的训练集生成器和后文评测集生成器并不相同，评测特意包含训练时没见过的 FLUX、Firefly、DALL-E 3 等，这正是检验泛化的关键条件。不同微调深度在真图和假图上的表现并不一致，后文结果表会具体展开。

照片局部被改过哪里：篡改定位模块怎么做

图像伪造检测与定位模块针对的是另一类问题：照片大体是真的，但局部被拼接、复制移动、修复、物体移除或替换。与整图生成检测互补，它要同时给出整图是否被改的分数和像素级篡改掩膜。传统方法依赖 JPEG 痕迹或传感器噪声，在强后处理和重压缩下容易失效，因此这里用深度模型直接从数据学痕迹。

具体结构是混合 U-Net 卷积网络，编码器用在 ImageNet 上预训练的 ConvNeXtV2-Base，解码器按 U-Net 风格输出高分辨率分割掩膜，另有一个分类头输出全局真伪分数，实现检测加定位的多任务学习。训练混合了 MS COCO 真图和 DF2023、MIML 的篡改样本，并做标准增强。

下图是该模块的示例输出，直观展示了检测分数和定位掩膜如何配合使用。

看图路径： 1. 对比左侧篡改图和右侧预测掩膜中猫咪区域的对应关系；2. 注意文字给出的整图篡改概率为 100.0% 的含义；3. 观察掩膜是二值形状而非热力图，白色即判定为篡改像素

论文图 5。原论文 Figure 5:：“Example output of the IFDL module. The manipulated input image (left) is assigned a high manipulation probability, while the predicted localization mask (right) highlights the…”。

图中左侧是大图，一只猫被拼接到名画场景中，模块给出篡改概率为 100.0%；中间是输入图，右侧是预测掩膜，白色区域正好对应猫的外形，黑色为判定未篡改区。这说明输出有两层：数字回答改没改，掩膜回答改在哪里。论文还报告了默认模式和对输入做水平翻转、垂直翻转、旋转后平均的结果，后者记为 AVG，代价是推理次数增加。

检测 × 定位： 检测回答整张图是否被改过，给出全局篡改概率；定位回答哪里被改过，给出像素级掩膜。两者由同一个混合 U-Net 结构多任务学习得到，检测头提供图像级判断，解码器提供高分辨率掩膜，组合后分析人员既能看到结论又能看到证据位置。

证件照和视频人脸的伪造怎么查

人脸变形检测处理的是把两个或多个人的人脸融合成一张证件照的攻击，这种图能同时匹配多人，给边检和身份核验带来风险。MIP 部署的检测器基于 ArcFace 加 ResNet-100 主干。ArcFace 在大规模人脸识别预训练中学到按角度分隔不同身份的嵌入，对混合身份特别敏感，微调时保留这种判别表示，只把目标改为二分类。训练用的变形图来自多个类护照人脸数据集，用经典关键点方法和深度学习方法共同生成，以覆盖不同采集条件和生成方式。

单图变形检测 × 差分变形检测： 单图变形检测只看一张待检证件照判断是否融合了多人身份；差分变形检测则比较待检图和可信参考图之间的差异。本文部署的是单图情形，用 ArcFace 学到的身份判别嵌入来发现混合身份，搭配的意义是明确输入条件：没有参考图时只能依赖图内身份混杂的痕迹。

换脸视频检测则不提新模型，而是把 19 种已有深度伪造检测方法装进统一基准，按 DeepFakeBench 的流程统一预处理和推理。输入视频后，系统对采样帧做人脸检测跟踪，按人物给出逐帧篡改分数和视频级汇总，形成按人的时间线。评测自建了 1000 个视频的基准，每个 10 个数据集各取 50 真 50 假，用于跨数据集分析。论文总结了三点：预处理质量决定一切，统一的 GPU 加速流水线把部分检测器提速达 100 倍并更稳定；身份泄露是泛化差的主因，很多检测器学的是身份而非伪影，因此必须用身份不相交划分；表现最好的方法都依赖大预训练视觉模型加 LoRA、SVD 适配或部分解冻等轻量微调。

语音伪造的三阶段训练在学什么

语音伪造检测模块处理的是录音中的人声是否为合成或克隆。输入是上传的语音，输出是按段和按整条录音的真伪预测。主干是预训练的 WavLM，从 4 秒音频段提取嵌入。关键是 3 阶段优化策略，每一步的输入、监督和冻结状态都不同。

下图是该流程的示意，沿着一个 4 秒片段可以看清每 1 阶段增加了什么约束。

看图路径： 1. 自左向右看三个阶段共用 Backbone 但监督头不同；2. 注意第一阶段有三个损失分支，第二阶段只剩熵损失；3. 看第三阶段冻结 Backbone 后只用真实语音估计高斯分布

论文图 7。原论文 Figure 7:：“Overview of the Deepfake Speech Detection (DSD) pipeline.”。

图中从左到右是 3 个阶段。第 1 阶段是多类别多损失训练，同一 Backbone 输出的嵌入同时走 3 个头：Softmax 头用 A-Softmax 损失做多类欺骗分类，对比头用对比损失拉开真实与伪造嵌入，另有真实语音紧致损失让正样本更聚拢。第二阶段把 Backbone 迁移过来后做二分类微调，用熵头和熵损失。第 3 阶段冻结 Backbone，只用真实语音段的嵌入估计高斯分布，用 Mahalanobis 距离做异常推理，这样对未见过的攻击更敏感。

训练用 ASVspoof 2019 LA、ASVspoof 2021 LA 与 DF、ASVspoof5，评测则放在 3 个未见数据集上，专门考跨数据集泛化。

WavLM × Mahalanobis 分布： WavLM 是预训练语音基础模型，负责把 4 秒语音段变成判别性嵌入；Mahalanobis 分布是用真实语音嵌入估计出的正样本分布，推理时看新样本离该分布有多远。两者分工是前者提供特征表示，后者提供对未知伪造的异常判断，组合后系统不只依赖二分类边界，而能对未见过的合成方法保持敏感。

文本为什么不直接判真假

文本分析模块处理的对象是新闻和社交媒体文本，论文明确不做简单的真假二分类，因为误导往往体现在语言、语义、风格和立场的多重信号里。框架以 XLM-RoBERTa 微调为主，覆盖仇恨言论、毒性、性别歧视、极端主义、冒犯性语言、情感、报道风格和写作风格等任务，主要在德语新闻和社交数据上训练。为提高可解释性和长文档鲁棒性，Transformer 嵌入还可以和手工语言特征拼接，例如标点模式、情感分、风格和结构特征，以及融合结构应对多标签情形。

在应用层，模块不直接说假或真，而是捕捉宣传框架、标题党、煽情、极化、主观写作、毒性和意识形态极端等失实信号，强调联合分析比孤立看一个指标更有信息量。最后用基于规则的加权聚合，把多个分类器输出映射到 4 个可靠性等级：高度可疑、可疑、轻微可疑、可靠，权重考虑单个指标的严重性和共现。这样既给出总体判断，又保留每个信号的可追溯性。在 MIP 里用户可以单独跑某个分类器，也可以跑统一的失实分析流水线，用于内容审核、宣传分析或新闻核查。

各模块实际用什么数据训练

论文没有训练一个统一的多模态大模型，而是各模块分别训练。AI 生图模块用 162162k 真图与 209209k 合成图的混合，具体数字按原文写法保留，合成源是 Stable Diffusion XL、DALL-E 2 和 Midjourney 5，训练时加 JPEG 压缩和滤波增强；篡改定位模块用 MS COCO 真图加 DF2023 和 MIML 篡改样本；人脸变形模块用多个类护照数据集自造的多方法变形图，在 ArcFace 预训练基础上微调二分类；语音模块用 ASVspoof 系列多版本训练，走上述 3 阶段流程；文本模块用德语新闻和社交数据微调 XLM-R。

这种分开训练意味着每个模块的泛化边界由各自的训练分布决定，不能把某个模块在特定基准上的好成绩推广到其他伪造手段。平台本身的训练成本和超参数在原文中没有统一报告，复现时需要按模块查各自的训练设置和预处理，特别是人脸检测跟踪和音频分段长度等细节会显著影响最终分数。

评测在什么条件下比较才公平

理解实验结论必须先看比较条件。AI 生图评测区分真图集和假图集，真图用 ImgN100、VOC12、OImg-v7，假图用 FLUX.1、Firefly、MJ 5&6、DALL-E 3、GLIDE，指标是 F1 分数，越高越好，重点是训练时没见过的生成器。篡改定位在 CASIA、Columbia、DSO、NIST 4 个取证集上比 AUC、F1、IoU，三者都是越高越好，并对比默认单次推理和增强平均两种模式。人脸变形在 6 种生成方法 DiffMorpher、Greedy-DiM、MipGAN-II、OpenCV、StyleGAN2、UTW 上比等错误率，越低越好。视频基准是自建的 1000 视频跨数据集比较，指标是视频级 AUC，越高越好。语音是在 3 个未见集 In-The-Wild、ASVspoof5 评测子集、FakeAVCeleb 上报准确率、F1、AUC。

公平性的关键是输入和划分是否一致：视频部分统一了预处理才比较 19 个检测器，否则人脸漏检会淹没模型差异；变形和语音都强调未见过生成方法和跨数据集，这样才能看出是学到伪影还是记住身份或信道。文本部分原文只定性报告了标准任务强、融合结构在多标签和长文档更稳，没有给出完整数字表，因此不能据此排名。

生图检测和人脸变形检测在各自基准上表现如何

先看最能说明泛化的两组结果。生图部分比较不同微调深度和结构在真图与未见过假图上的 F1 分数，越高越好；变形部分比较多种方法在 6 种变形生成手段上的等错误率，越低越好。两张表放在一起读，可以看到没有一个配置在所有条件下都最好。

下表截取 AI 生图检测在部分真假集上的 F1 分数，比较 ResNet 不同解冻深度与 ViT 的差异。

该表比较的问题是微调深度和结构如何影响对未见生成器的泛化，指标是 F1 分数，越高越好。从截取的行可见，只微调全连接层的 ResNet 在 FLUX.1、Firefly 等假图上保持较高，而放开更深层后在真图上提升但在部分假图上回落，ViT 则相对均衡。这说明解冻更多参数不等于全面更好，结论只在这些评测集和增强条件下成立，换压缩或新生成器可能变化。

下表比较人脸变形检测在 6 种生成手段上的等错误率，数值越低越好。

该表比较的问题是谁在多种变形手段下最稳定，指标是等错误率，越低越好。从截取的两行看，ArcFace 平均为 3.58%，明显低于 Triplet-Loss 的 5.92%，且在 DiffMorpher、UTW 等难度不同的方法上都保持低位，而 SelfMAD 等在部分方法上超过 40%。这支持 ArcFace 的身份判别嵌入对混合身份更敏感的判断，但仍只覆盖所列 6 种生成手段，对更新的扩散变形手段原文列为未来工作。

视频和语音检测的跨数据集表现如何

视频和语音的结果回答的是跨数据集条件下谁更稳。视频部分是 19 个检测器在同一预处理下的视频级 AUC 比较，越高越好；语音部分是同一模型在 3 个未见集上的准确率、F1、AUC，越高越好。

下表给出视频基准中排名前三的检测器及其类别和视频 AUC。

该表比较的问题是在统一预处理和同一 1000 视频基准下不同结构的排序，指标是视频 AUC，越高越好。EFFORT 为 0.928，selimsef FbF 为 0.917，GenConvViT 为 0.908，前几名都是 ViT、CLIP 或 CNN 与 Transformer 混合，而纯 RNN 或浅层 CNN 如 LRNet 仅 0.639。解释是大型预训练视觉主干加轻量适配保留了通用表示，又学到了取证伪影，但这依赖准确的人脸跟踪，若预处理弱，排名可能改变。

下表是语音模块在 3 个未见集上的跨数据集表现。

该表比较的问题是同一语音模型面对不同未见合成方法时能保持多少，指标方向都是越高越好。In-The-Wild 为 0.87、0.79、0.83，ASVspoof5 评测子集为 0.91、0.91、0.92，FakeAVCeleb 为 0.99、0.99、0.99。FakeAVCeleb 接近满分不代表任务已解决，更可能反映该集的合成类型与训练分布更接近或难度较低，而 In-The-Wild 最低，恰好说明真实野外录音的信道和伪造多样性更具挑战。未胜出的细节是原文没有报告误判率随阈值的变化，实际部署需另定阈值。

这些结论在什么边界之外不再成立

论文的结论都有明确边界。篡改定位表显示本文模型平均最优，但这是 4 个取证集和特定增强下的结果，对未见编辑工具、强压缩和对抗后处理，原文明确列为未来工作，不能默认同样最优。生图检测在所列生成器上泛化好，但训练只见过 3 种旧生成器，对更新的文生图和视频生成模型的表现没有保证。

人脸变形只评了 6 种生成手段，对扩散变形手段的鲁棒性尚未验证；视频基准虽有 1000 视频，但每个数据集各 50 真 50 假的均衡采样不等于真实流量分布，身份泄露问题也提醒不能把站内高分直接当野外表现。语音的 Mahalanobis 异常判断依赖真实语音分布的估计，若部署环境的信道、语言或说话人明显偏移，需要重新估计。文本部分只给出定性结论和规则聚合，没有完整数字，4 个可靠性等级的权重规则也没有消融，因此不能比较其相对增益。平台本身跑在本地多 GPU 上，用 HAMi 共享显存，但原文没有报告延迟、吞吐和显存开销，不能承诺实时性或成本会改善。

想复现第一步该做什么

复现要分两层：先跑通平台，再复现单个模块。平台层可以直接访问作者提供的公开演示站 media-intelligence.ait.ac.at，演示站当前可用，内含图像、视频、音频、文本的分析模块，可用演示账号 mip-demo 登录体验上传、选工具、看任务历史的完整链路。这验证的是系统可用性，不是训练复现。

若要复现论文数字，第一步是按模块准备数据和预处理：生图按真假集分开评 F1，篡改定位准备 CASIA、Columbia、DSO、NIST 并实现默认与翻转旋转平均两种推理，人脸变形按 6 种生成手段分别算等错误率，视频先统一人脸检测跟踪再算视频级 AUC，语音按 4 秒分段提 WavLM 嵌入并走 3 阶段流程。机构官网链接在原文中只是作者单位信息，不能当作代码开源证据；原文也没有说明权重下载和完整训练脚本，因此系统可运行、代码开源、权重可下载是三件不同的事，需要分别确认。还需补的验证是统一阈值下的误判率、压缩和重采样鲁棒性，以及多模块联合决策时的冲突处理。

什么时候值得尝试这个平台思路

当任务本身就是多模态混杂调查时，这个平台思路值得尝试：同一事件有图片、视频、音频和文本，需要统一入口、可替换模型和可回溯的历史，而不是单个分数最高。它的价值在于把异构模型装进相同的 REST 和存储约定，让新伪造手段能以新 Module 接入，同时保留可解释输出供人工复核。

不值得照搬的情形是只做单一模态的最优检测，此时平台的工程开销大于收益，应直接针对该模态的数据分布优化。复现时先用演示站走通流程，再挑一个与自身数据最接近的模块做跨数据集验证，并补上阈值、压缩和延迟的测量。只有在这些限定条件下，原文报告的高分才可能迁移到实际工作流中。

⚖️ 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

← 返回 2026-10-21 语音/音乐/音频论文速递