气管音如何变成实时呼吸率：Airmod 的降噪与深度学习链路

📄 气管音如何变成实时呼吸率：Airmod 的降噪与深度学习链路

英文题目：Design and Architecture of Airmod: An Active Noise Cancellation and Deep Learning System for Real-Time Respiratory Rate Estimation from Tracheal Sounds

评分：5.6/10 | 创新 1/2 | 技术严谨 1/1.5 | 实验充分 0.8/1.5 | 清晰度 0.7/1 | 影响力 0.8/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 1/1.5

👥 作者与机构

• Shang-Ran Huang：机构信息未能从 arXiv PDF 文本可靠映射
• Fu-Shun Hsu：机构信息未能从 arXiv PDF 文本可靠映射
• Ji-Chang Huang：机构信息未能从 arXiv PDF 文本可靠映射
• Chuan Chen：机构信息未能从 arXiv PDF 文本可靠映射
• Shou-Zen Fan：机构信息未能从 arXiv PDF 文本可靠映射
• Chang-Fu Su：机构信息未能从 arXiv PDF 文本可靠映射
• Eng-Che Huang：机构信息未能从 arXiv PDF 文本可靠映射
• Yuan-Ren Cheng：机构信息未能从 arXiv PDF 文本可靠映射

📌 核心摘要

临床镇静需要在非手术室环境下连续了解通气状态，传统听诊器需要人手扶持，易受环境噪声干扰，也难以量化呼吸频率。论文输入是贴在甲状软骨旁平坦区的气管音连续声流，输出是逐次更新的每分钟呼吸次数，难点在于噪声经空气和人体组织进入拾音器，呼吸暂停和不规则呼吸打断周期，以及流式推理需要把重叠窗口的片段拼成不重复不漏检的事件序列。系统先用双麦克风归一化最小均方自适应滤波抵消环境噪声，再对15秒窗口计算语谱图、梅尔频率倒谱系数和分频带能量和，送入卷积双向门控循环单元网络判断每小段属于吸气、背景还是呼气。随后经过合并相邻片段、去除短突发，再经过不完整事件去除、能量阈值去假阳性和双计数去除，把吸气事件写入历史列表并按最近三次呼吸周期平均值换算频率。在测试集连续流模拟中，预测间隔5秒时开启提炼后吸气检测阳性预测值为0.848，高于未开启提炼的0.841，而F1分数为0.838，低于未开启提炼的0.850。与已有固定长录音事件检测不同，该方法针对重叠15秒窗口的序列推理设计了提炼与拼接，使截断事件可在后续窗口补全并避免重复计数，代价是提炼以灵敏度换取阳性预测值。结论适用于镇静气管音的吸气呼气检测和趋势显示，强噪声、触碰摩擦声、咳嗽和供氧嘶声仍可能残留，频率精度有待另文验证。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://gitlab.com/techsupportHF/hf_tracheal_v2 → https://gitlab.com/users/sign_in — 链接不可用（HTTP 403）

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

为什么镇静手术需要连续的呼吸监测

这篇论文面对的是非手术室麻醉和门诊操作中的镇静监护。原文提到，美国非手术室麻醉占比在 2010 到 2014 年间从 28.3% 上升到 35.9%，而操作镇静中有 29.0%–35.4% 会出现呼吸不良事件，约 0.5% 会出现哨兵低氧事件。封闭索赔分析还指出，大多数相关索赔与导致死亡或永久脑损伤的严重呼吸事件有关，其中 68% 被认为如果有更好的呼吸监测本可预防。

传统做法是胸前或气管前听诊，指南也推荐用听诊器监测通气。但手持听诊器难以做到连续听，环境噪声会干扰判断，突然的大声还可能损伤医护人员的听力，即使有经验的人只靠耳朵分辨呼吸音也很困难。

因此论文的目标很具体：不只是在一段固定录音里标出吸气呼气，而是让设备在手术进行的同时，持续吃进气管声音流，实时给出逐次呼吸的呼吸率，并在噪声环境下仍能播报和显示可判读的呼吸图像。这就要求系统同时解决拾音、降噪、事件检测和率值平滑 4 个环节。

已有呼吸音算法做到了什么，还缺什么

原文回顾了基于信号处理、机器学习和深度学习的计算机化呼吸音分析，认为它改变了传统听诊。已有算法能在气管音中自动检测呼吸相位，也就是区分吸气和呼气，作者自己之前也用 HF_Tracheal_V1 训练过分别检测吸气和呼气的卷积加双向门控循环单元模型。

但这些工作的评测方式多是把录音截成 15 秒到 90 秒的固定段，在段内判断事件是否存在或位置是否正确。它们没有回答流式问题：当音频源源不断进来，每隔几秒就要做一次推断，相邻推断窗高度重叠，同一呼吸会被看到多次，窗边缘还会把事件截断，这时如何去重、如何拼接、如何更新呼吸率。

另外，V1 在准备训练数据时丢掉了不含标签的 15 秒片段，以平衡前景背景比。这样做虽然方便训练，却无法还原原始连续录音，也就无法开发处理连续流的策略。这正是本文建立连续数据库 HF_Tracheal_V2 的动机之一。

本文要解决的输入输出与必须保留的信息

输入是贴在甲状软骨旁边平坦区域的气管声音连续流，采样率 4000 Hz。设备同时拿到两路信号：主麦克风信号混有呼吸音和环境噪声，环境麦克风信号主要反映环境噪声。输出是实时更新的逐次呼吸率，单位为次每分，以及经过降噪的播报声音和实时频谱图。

必须保留的信息是每次吸气的开始和结束时刻。因为呼吸率被定义为相邻两次吸气开始时刻之差的倒数，再对最近三次呼吸取平均，所以只要吸气时刻错 1 位，率值就会翻倍或漏跳。呼气检测在本文系统中不直接用于算率，但用于理解呼吸模式是否规整。

困难在于三处。第一，噪声可以通过空气直达传感器，也可以通过人体组织传到传感器， housing 再好也拦不住经身体路径进来的部分。第二，呼吸本身不总是吸气呼气加呼气停顿的规整模式，吸气停顿过长时呼气容易被误判为吸气。第三，实时意味着不能等整场手术结束再全局优化，只能用过去和当前窗的信息做局部修正。

Airmod 整体链路：声音进来后经历了什么

Airmod 在论文中被称为提议设备，是作为医疗器械软件运行的医疗软件，开发时锁定 Android 11.0，且不使用 GPU 加速。链路可以沿一个采样点来理解：电子听诊器 AccurSound AS-101 的双麦克风先拾音，音频处理模块把主路和环境路交给主动噪声控制模块，数字滤波用 20 到 1500 Hz 的巴特沃斯带通滤掉不需要的高频。

干净一些的信号进入人工智能预测模块：先算频谱图、梅尔频率倒谱系数和能量加和 3 组特征，再送入多分类卷积加双向门控循环单元模型，得到 15 秒窗内每个时间片段是吸气、呼气还是背景，随后做片段合并与短事件处理。预测精修模块再做不完整事件剔除、误检剔除和重复计数剔除，把可靠的吸气写入不断增长的历史列表，呼吸率估计模块用最近三次呼吸的平均周期换算成率值。

文件管理负责把主路、环境路、播报音频存成波形文件，把吸气检测结果存成文本，把元数据存成 JSON，画布绘制负责实时画频谱和率值，通知模块在率值低于 4 次每分时发声报警，设置模块负责参数和音量等人机交互。报警阈值的含义是过去 15 秒内没有登记到新的吸气事件。

双麦克风与自适应滤波如何压住环境噪声

论文用图示区分了 3 条路径：黑色箭头是经空气直达传感器的环境噪声，蓝色箭头是先打到人体再经组织传到传感器的噪声，绿色箭头是真正的气管音传播路径。环境噪声包括音乐、医疗仪器设备声、通风空调声和人声等。身体路径的存在说明只靠密封声腔隔音是不够的。

硬件上，AccurSound AS-101 用两个隔离气腔分别对应主麦克风和环境麦克风，目的是给主动噪声控制提供参考。算法上采用归一化最小均方自适应有限冲激响应滤波器，用环境路去估计主路中的噪声成分再减掉。原文引用了个人主动降噪设备在 100–400 Hz 可衰减约 19 dB 的量级作为理论背景，但强调这是滤波器阶数固定且有限时的能力。

主麦克风 × 环境麦克风： 主麦克风贴近气管，拾取呼吸音加混入的环境噪声；环境麦克风拾取环境噪声作为参考。两者分工是提供含噪信号与噪声参考，搭配后自适应滤波器才能从主信号中减去与参考相关的成分，组合后得到更干净的可播报音频和频谱图。

需要理解的代价是，主动降噪只对两路都拾取到的宽带环境噪声有效。如果声音只被主麦克风拾到而环境麦克风拾不到，例如碰到传感器、线缆摩擦桌面的固体传导声，以及气道内部产生的补氧气流嘶嘶声、咳嗽和发声，降噪就无能为力，仍会影响后续检测。

三组特征与 CNN-BiGRU 如何标出吸气呼气

每次推断处理的是 15 秒窗。特征准备先对原始 15 秒气管音做 80 Hz 截止的高通滤波，然后算 3 组特征：938×129 的频谱图，938×60 的梅尔频率倒谱系数，以及 938×4 的能量加和。频谱图用短时傅里叶变换得到，窗类型为 Hanning，窗宽 256，跳长 64，无补零。倒谱系数包含静态、差分和 2 阶差分各 938×20，能量加和是对频谱沿频率轴在 0–250、250–500、500–1000 和 0–2000 Hz 4 个频带求和。最后对频谱图、3 组倒谱矩阵和每条能量曲线分别做最小最大归一化。

频谱图 × 梅尔频率倒谱系数 × 能量加和： 频谱图保留随时间变化的频率能量分布，梅尔频率倒谱系数是对频谱做听觉尺度压缩后的紧凑表示，能量加和是四个频带内能量的求和曲线。三者分工是分别提供细粒度时频纹理、平滑的音色包络和呼吸起伏的强度线索，并行输入三个卷积分支后融合，组合后让模型同时看到细节与整体呼吸节律。

模型把 3 组特征送入 3 条独立卷积路径再融合进双向门控循环单元，与作者之前用于肺音和气管音的模型相比只做了小改，输出层用双曲正切函数代替 Sigmoid。输出是 235×1 向量，每个元素对应 15 秒内的一个时间片段，取值在负 1 到 1 之间，再用两个阈值 p 和 q 分成 3 类：大于等于 p 判为吸气，小于等于 q 判为呼气，中间判为背景。

吸气 × 呼气 × 背景： 吸气指气体进入气道的时段，呼气指气体呼出的时段，背景指既非吸气也非呼气的间隙或噪声。模型输出经阈值分成这三类，分工是把连续时间切成可计数的呼吸事件与不可计数的间隙，组合后只有吸气被送入呼吸率估计，呼气用于辅助判断呼吸模式是否完整。

后处理先把相邻同标签片段合并成事件，若两个事件间隔不超过 0.35 秒且各自最大能量峰所在频率相差不超过 25 Hz，则进一步合并，最后删掉持续时间短于 0.35 秒的突发事件。这里的合并是为了解决同一呼吸被切碎的问题，删除是为了解决极短毛刺的问题。

重叠窗的检测结果如何变成不重复的历史列表

设备每隔 d 秒执行一次推断，第 i 个窗覆盖从 (i-1)d 到 15+(i-1)d 的信号。相邻窗高度重叠，同一吸气会被多个窗看到，且起止时刻有微小抖动。如果直接拼接，就会重复写入，也可能把本该排在后面的事件插到前面，扰乱呼吸率。

不完整事件剔除 × 误检剔除 × 重复计数剔除： 不完整事件剔除处理窗边缘只截到一半的吸气，误检剔除处理安静期低能量噪声被误判为吸气，重复计数剔除处理长吸气停顿导致呼气被误判为吸气。三者分工是分别解决截断、弱噪声和呼吸节律异常三类错误，串联后才把相对可靠的吸气起止时间写入历史列表。

精修只针对吸气。第一步是不完整事件剔除：若检测到的吸气开始时刻不在该 15 秒窗的前 14 秒内，说明它很可能是窗边缘只截到一半的进行中事件，先擦除，等它在后续窗中完整出现时再写入。第二步是误检剔除：计算每个预测吸气在 125–500 Hz 的平均能量，低于阈值的视为安静期噪声误判而丢弃。第三步是重复计数剔除：针对长吸气停顿导致呼气被误判为吸气的情况，利用最近呼吸周期 τ、当前率值和不响应期 η 等 4 个条件判断，若新事件与上一个事件间隔过近或落入不响应期则删掉，参数由经验确定。

拼接时维护一个从空开始的历史列表，只把通过三步精修的吸气按时间追加，并避免同一吸气因起止抖动被重复写入，也避免把误判事件插到已有事件之前。呼吸率估计则取历史列表中最近三次呼吸周期的平均值，用 60 除以该平均周期得到率值，呼吸周期定义为相邻两次吸气开始时刻之差。第一次估计时若还没有攒够三次吸气即两个周期，则不开始估计。当长时间没有新吸气登记时，设备设计了让率值更平滑变化的策略，并在率值低于 4 次每分时不显示数值而触发通知。

数据从哪里来，标签和训练如何组织

研究纳入了三家医院 369 名在监测麻醉或操作镇静下接受诊疗操作的受试者，共采集 373 段气管音，采集时间为 2020 年 3 月到 2021 年 1 月。传感器贴在甲状软骨旁平坦处，用 3M 胶带固定，麻醉诱导前开始连续录音直到操作结束。录音设备是 HF-Type-2，由 AS-101 加小米 9T Pro 手机与定制应用组成，模数转换 16 位，应用内转为 32 位后存储。术中经鼻导管给氧，多数时间流量不超过 3 升每分，必要时做抬颏和推下颌等气道手法。麻醉药物包括瑞芬太尼加丙泊酚、咪达唑仑加阿芬太尼加丙泊酚、布比卡因蛛网膜下腔麻醉或利多卡因类硬膜外麻醉等组合。

标注由 5 名临床专家完成，包括 3 名呼吸治疗师和 2 名护士，平均临床经验 12.8±3.27 年，另有 2 名呼吸治疗师复核。标注软件可反复听音和看频谱，标出吸气、呼气和连续性 adventitious sounds 的起止，但后者不分鼾声、喘鸣、干啰音和哮鸣，统一记为一类，且本研究未使用该类标签。作者明确指出吸气、呼气标签仍不是完美金标准。

数据按受试者随机分成训练集与测试集约 4 比 1。训练时用 15 秒滑窗截断连续录音，步长 5 秒做数据增强，不含标签的 15 秒片段不用于训练。训练超参数为批量 64、初始学习率 0.0001、Adam 优化器、均方误差损失、最多 5000 轮、早停耐心 50，框架为 TensorFlow 2.1.0，在 Ubuntu 18.04、Intel Xeon Gold 6154、90 GB 内存的云服务器上训练，用 NVIDIA Titan V100 基于 CUDA 10 和 CuDNN 7 加速。需要区分的是，训练用 GPU，但部署的提议设备不使用 GPU 加速。

用什么数据划分和指标来验证事件检测

评测回答的是模型在连续流模拟下能否找准吸气和呼气事件。数据集划分沿用 HF_Tracheal_V2 的受试者级划分，训练与测试录音数和时长见下表。事件级灵敏度、阳性预测值和 F1 在吸气阈值 0.5、呼气阈值负 0.5 下报告，真阳性、假阳性、假阴性的事件定义引用作者前作。

为模拟设备面对连续气管音流，测试了 2 秒、5 秒和 15 秒 3 种预测间隔。吸气检测设两种条件：只按拼接规则拼接而不开三步精修，以及先精修再拼接。呼气检测只拼接不开精修，且实际使用中设备不记录呼气。呼吸率估计对标二氧化碳描记的多中心临床试验结果将另文发表，本文不包含该验证。

下表先说明数据规模与标签分布，它决定了后续灵敏度与预测值的分母含义。表前这段交代了比较问题：在受试者不重叠的连续录音上，事件级指标如何随预测间隔和是否精修而变化。

上表显示训练集经 15 秒窗 5 秒步长截断增强后，吸气标签从 82275 增至 262905，呼气标签从 77778 增至 251694。吸气平均时长约 1.16±0.35 秒，呼气约 1.13±0.52 秒，说明事件本身很短，窗边缘截断和短毛刺对指标影响会被放大。缺失人口学信息是因为并非所有流程都要求书面知情同意，复现时应注意测试集受试者与训练集不重叠，且训练丢弃无标签片段的做法会改变背景分布。

吸气呼气检测在不同预测间隔下表现如何

下表比较的是同一模型在 3 种预测间隔下、有无预测精修时的事件级表现。指标方向是灵敏度、阳性预测值和 F1 越高越好。本次比较在相同测试集上进行，阈值固定为吸气 0.5 和呼气负 0.5，区别只在预测间隔和是否开启精修，呼气一律不开精修。

从结果看，把预测间隔从 15 秒缩短到 5 秒或 2 秒，吸气和呼气的 F1 都有提升，作者解释为 15 秒不重叠拼接时窗首尾被截半的事件容易被判错，而短间隔能让被截断的事件在下一个窗移到中间再被检到。5 秒的阳性预测值和 F1 略好于 2 秒，灵敏度则 2 秒略高或持平，说明更短的间隔给了漏检事件更多被补回的机会，但也给了假阳性更多弹出的机会。开启精修后吸气灵敏度下降而阳性预测值上升，总体 F1 反而略降，例如 5 秒时从 0.850 降到 0.838。作者认为假阳性比假阴性风险更高，因此默认开启精修以换更高的阳性预测值。设备默认预测间隔设为 2 秒，理由是临床不能容忍 5 秒延迟，这是用少量 F1 换更短延迟的工程选择。

降噪前后频谱和呼吸率曲线能看到什么

除了数字指标，论文用实例展示了系统在噪声环境中的行为。1 例是躺床受试者在噪声环境中的 30 秒频谱：环境路同时记录到背景噪声和人声，主路的呼吸纹理被模糊，经过主动噪声控制后，播报音频干扰减少，显示的呼吸纹理更清晰。另 1 例是镇静操作中的床旁使用照片，传感器贴在气管前区，麻醉医生可通过听播报声音或看实时频谱察觉气道细微变化。

还有一段 90 秒信号被分成 0–30 秒、30–60 秒和 60–90 秒 3 段重绘：开头呼吸平稳，18–30 秒呼吸加快，30–64 秒停止呼吸，64 秒后恢复。设备成功检出吸气并画出逐次呼吸率黑线，当长时间无吸气且估计率值低于 4 次每分时不再显示数值，对应通知模块的报警逻辑。

这些图示支持的判断是系统能连续播报、显示和更新率值，并在呼吸暂停段正确地不给出虚假率值。但它们是单例演示，没有给出降噪分贝数、信噪比提升或多例统计，不能推广为在所有噪声类型和响度下都有效。论文自己也指出，若噪声过响或超出降噪工作频段，频谱仍会受影响。

预测间隔与精修的取舍在什么条件下成立

把预测间隔和精修放在一起看，能更清楚代价所在。预测间隔从 15 秒变到 5 秒，吸气 F1 从不开精修的 0.790 升到 0.850，开精修的从 0.776 升到 0.838，呼气 F1 从 0.777 升到 0.837，提升主要来自减少窗边缘截断误判。这个结论成立的条件是测试方式为连续流模拟，且拼接规则相同；如果只评固定段而不模拟重叠窗，就看不到这种差异。

推断窗 × 预测间隔： 推断窗指每次送入模型的 15 秒音频长度，预测间隔指相邻两次推断相隔几秒。推断窗决定一次能看到几个呼吸周期，预测间隔决定同一真实事件会被重复看到几次。两者搭配的意义是短间隔能把被窗边缘截断的事件在下一次移到窗中间再检一次，但也会增加误检弹出的机会，需要在延迟与准确率之间权衡。

精修的取舍是灵敏度换阳性预测值。以 2 秒为例，吸气灵敏度从 0.861 降到 0.828，阳性预测值从 0.823 升到 0.832；5 秒时灵敏度从 0.858 降到 0.828，阳性预测值从 0.841 升到 0.848。也就是说，精修删掉了一部分真事件，同时删掉了更多假事件。在呼吸监测场景下，假阳性会虚报正常呼吸而掩盖呼吸暂停，作者因此宁可牺牲一点灵敏度也要压假阳性。复现时若把该策略搬到以召回为优先的筛查任务，结论可能反转，需要重新权衡。

哪些噪声、设备和验证目前还覆盖不到

首先是噪声覆盖的边界。主动降噪依赖环境麦克风同时拾到噪声，对只进主路的声音无效，包括触碰传感器、线缆摩擦表面的操作噪声，以及补氧气流声、咳嗽和发声等气道内噪声。论文没有量化不同噪声响度和频段下的衰减曲线，复现时不能默认所有病房噪声都能压到同一水平。

其次是算力与模型选择。提议设备必须跑在 ROG5 等强 CPU 手机上，因为 CNN-BiGRU 消耗大，且不使用 GPU 加速的原因是充电速度跟不上高功耗运行，也因此难以移植到更便宜的医疗级个人电脑。作者提到未发表的初步试验显示 YOLOv5 等目标检测模型可能更高效且性能相当甚至更好，但本文没有给出对照数据，不能把这句话当成已验证的结论。

第三是临床验证缺口。本文只报告了事件检测的灵敏度、阳性预测值和 F1，呼吸率对标二氧化碳描记的多中心试验结果将另文发表。在看到该验证之前，不能把事件 F1 直接等同于呼吸率准确，也不能承诺报警延迟和漏报率。标签本身也不是完美金标准，标注者之间的一致性会议只能减少分歧，不能消除主观性。

要复现第一步做什么，需要哪些信息条件

第一步是拿到连续数据并按受试者划分。原文建立的 HF_Tracheal_V2 在文中给出 GitLab 链接，但本次核验显示该第三方链接当前不可用，状态为 403，因此不能写作者资源已公开或可下载。复现者若无该库，需要自己按相同协议采集：传感器贴甲状软骨旁平坦处，采样率 4000 Hz，麻醉诱导前录到操作结束，并保留无事件的连续背景段，不要像 V1 那样丢弃无标签片段，否则无法调试流式拼接。

第二步是重建特征与模型。特征参数原文给全：80 Hz 高通、短时傅里叶变换 Hanning 窗宽 256 跳长 64、频谱 938×129、倒谱 3 组各 938×20、能量四带求和、各自最小最大归一化。模型为 3 个分支 CNN-BiGRU，输出 235×1，双曲正切加阈值分 3 类，后处理合并阈值 0.35 秒和 25 Hz、删除短于 0.35 秒事件。训练批量 64、学习率 0.0001、Adam、均方误差、最多 5000 轮、早停 50。

第三步是实现流式逻辑：15 秒窗、默认 2 秒预测间隔、三步精修、历史列表拼接、最近三呼吸平均周期换算。关键超参数包括不完整事件的前 14 秒规则、误检的 125–500 Hz 能量阈值、重复计数的不响应期经验参数，原文未公开具体数值，复现时需要自己在验证集上标定并报告。运行环境注意锁定 Android 11.0 对应行为，且默认不使用 GPU，手机 CPU 性能会直接影响能否做到实时。

什么时候值得尝试，还缺哪项验证

如果你的场景也是镇静或监测麻醉下的连续气管音监护，环境有稳定的背景噪声且能用双麦克风拾取参考，同时你能接受 2 秒级延迟和以压假阳性为优先的策略，这套 15 秒窗检测加三步精修再拼接的路线值得尝试。它把听诊从间断人工听变成可播报、可视化和可计数的连续流，并用历史列表把重叠检测变成不重复的率值。

但在采用前要补两项验证。一是呼吸率本身的准确性，需要与二氧化碳描记在同一受试者、同一时段对齐比较，给出偏差、报警延迟和呼吸暂停检出率，而不只看事件 F1。二是噪声鲁棒性，需要在不同噪声类型、响度和补氧流量下分别评测，明确降噪有效的工作区间。

容易产生的误解是把 5 秒间隔 F1 最高当成部署最优，或把开启精修 F1 略降当成精修无用。实际上 2 秒是为延迟妥协，精修是为安全妥协，两者都是在临床约束下的选择。另一个误解是把单例频谱变清晰当成普遍降噪增益，或把事件检测好当成呼吸率一定准，这些都需要上述两项验证才能回答。

⚖️ 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 2026-10-29 语音/音乐/音频论文速递