📄 课堂西班牙语识别为何不能只看总词错误率
评分：6.1/10 | 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 0/1.5 | 可复现 0.3/0.5 | 工程/实践 1.2/1.5
👥 作者与机构
- Olga Kellert：Arizona State University
- Samhitha Harish：Arizona State University
- Johnatan E Bonilla：Freie Universität Berlin
- Nemika Tyagi：Arizona State University
- Phanos Kareen：Arizona State University
- Nelvin Licona-Guevara：Arizona State University
📌 核心摘要
在线西班牙语第二语言课堂输入是多人远场录音，输出是带说话人归属的文字记录，难点在于学习者发音不稳定、话轮短促重叠，以及西班牙语与英语在同一话轮内交替。论文先由精通双语的转录员校对Zoom字幕、补齐遗漏并核验归属，得到38个会话共15.6小时适配集与7个保留会话参考，再用该适配集对Whisper large-v3与MOSS-Transcribe-Diarize做领域内低秩适配，适配方案由学习者不重叠五折交叉验证固定。推理时Whisper按参考定义的话轮切分短窗解码，MOSS与Muse则处理长录音或完整会话，其转录输出再进入合并词数统计与条件切分。评测在7个保留会话共约3.51小时上按合并词数统计词错误率与字符错误率，并单独统计分离标注错误率评价说话人归属。在7个保留会话评测中，适配后MOSS总体词错误率为16.39%，高于商用Muse的15.59%，两者组成领先组，而Whisper适配增益较小。在7个保留会话按语言情境评测中，MOSS适配器混合话轮词错误率为21.44%、西班牙语单语为14.77%、英语单语为24.14%，分别高于对应条件下Muse的20.41%、14.05%与22.93%，且混合与英语单语错误高于西班牙语单语。按角色拆分时学习者词错误率比教师高约10个百分点，原文明确0.80个百分点总体差距小于会话级波动而不构成排序。结论限于该校课堂与辅导会话及人工校对参考，英语单语样本小需谨慎解读，未验证其他课程与语言对。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://github.com/samhithaharish/asr-code-only — 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
课堂转写要解决什么输入和输出问题
这篇论文处理的是在线西班牙语第二语言课堂的同步录音，输入是教师、导师和母语为英语的学习者之间的多说话人音频，包含麦克风差异、快速轮换、重叠、犹豫、重复和中英混用。目标输出是不仅词写得对、而且每句话能归到正确说话人的课堂记录，因为后续的学习者错误检测、水平评估、反馈生成和课堂话语分析都直接建立在转写文本之上。
难点在于学习者语音本身不稳定，发音还在发展，会出现非目标形式、片段词和自我修正，而英语作为共同母语会出现在讲解、课堂管理和学习者产出中，形成西班牙语独白、英语独白和一句话内混用两种语言的语码混合话轮。如果只报告一个总的词错误率，多数的教师西班牙语会掩盖少数但更难的学习者语音和混合语音的误差，词对了但人标错也会让参与度统计失效。因此论文把转写正确性和说话人归属分开评价，并按角色和语言上下文拆分词错误率。
已有研究分别发现了哪些困难
学习者语音方向已有工作指出，识别性能随口音、母语背景、水平和自发程度变化，用匹配的自发非母语数据微调 Whisper 可以明显降低词错误率。但也有工作提醒，词错误率降低不一定对学习者语言学分析更有利，因为系统可能把学习者实际说出的非目标形式自动规范成目标形式，而本文恰恰需要保留可理解的非目标发音和形式。
语码混合方向的研究发现，即使多语言预训练也不能消除语言混淆，非主导语言的材料可能被删除、翻译或替换成主导语言的词，联合训练语言辨识和转写、加入词级语言标识都有帮助，但所用语料多是成熟双语会话库，缺少课堂中教师主导、短切换、片段和修正交织的情况。说话人归属方向则有联合评价转写加归属的指标和单独评价混淆、漏检、误检的日志错误率。本文的定位是把这 3 条此前分开研究的线放在同一批真实双语教学互动里，用统一的参考文本同时检验。
本文比较的系统和要回答的问题
论文比较 6 种转写配置：会议平台自带的 Zoom 自动字幕、开放权重的 Whisper large-v3、同样开放权重的 MOSS-Transcribe-Diarize、各自加上课堂数据 LoRA 适配器的 Whisper 适配器和 MOSS 适配器，以及通过接口调用的商用 Muse Voice Transcribe。适配数据是同一批 38 个人工校对过的 Zoom 会话，约 15.6 小时，评价是另外 7 个未参与适配的会话，约 3.51 小时，覆盖评分课堂和非评分的语言辅导会话。
要回答的问题有 4 个：总的词错误率和字错误率谁更低；按教师与学习者拆分后优势是否还在；按西班牙语独白、英语独白和语码混合拆分后优势是否还在；说话人归属的排序是否与转写排序一致。适配部分还要回答领域匹配是否比数据量更重要，以及为什么同样数据下 2 个模型的增益差别很大。
从原始录音到分数的整体流程
可以沿着一个课堂录音走一遍流程。原始输入是整场会议音频和平台生成的初始字幕，人工校对者先修正识别错漏、补删、核对说话人、保留语码混合、重复、片段词和重叠，把可理解的学习者发音原样留下，作为适配训练和最终评价的参考文本。适配阶段用 38 个这样的会话训练 Whisper 和 MOSS 的 LoRA 增量，训练轮数和检查点选择先由学习者不重叠的五折交叉验证固定，再在全部适配集上训练最终适配器。
测试阶段 6 个系统各自产生假设文本，评价阶段把假设与人工校对参考做相同的归一化后对齐计分，得到总体指标、按角色和语言上下文拆分的指标，以及单独的说话人归属指标。下图把数据、适配选择、系统测试和评价四步画在了一起，特别标出了训练与评价会话不重叠、适配方案先冻结再评测的设计。
读图时请关注输入切分并不一致这个关键细节：Whisper 处理的是参考话轮边界，MOSS 和 Muse 处理更长的片段或完整录音，Zoom 保留会议切分，因此比较的是完整系统配置而非单纯模型结构。
看图路径： 1. 先从左到右看数据、适配选择、系统测试、评价四栏的主路径；2. 注意第二栏中学习者不重叠的交叉验证如何决定训练步数；3. 对比第三栏六个系统的输入切分差异与第四栏三类评价指标的对应关系
论文图 1。原论文 Figure 1:：“Study pipeline. Whisper and MOSS are adapted with LoRA on 38 human-corrected Zoom sessions, with the recipe fixed by five-fold cross-validation.”。
这张流程图确实可见四栏结构：第一栏是线上西班牙语课示例和人工校对的 Zoom 文本，第二栏是 LoRA 适配加五折轮换和最终适配器，第三栏列出 6 个系统并提示 Whisper 按话轮而 MOSS 按长录音处理，第四栏列出词错误率、字错误率、说话人日志错误率以及按角色、按语言和两者交叉的拆分。它帮助理解后文所有数字的前提：同样的参考文本，不同的输入切分和评价切面，分数含义并不完全相同。
两个适配器各自改变了什么
两个适配器都使用秩为 64、缩放参数为 128、丢弃率为 0.1 的 LoRA，学习率为 5×10−5。MOSS 的 LoRA 加在音频编码器和语言解码器的每个注意力和前馈投影上，可训练参数约 6870 万，占模型的 7.5%，中间的投影器保持冻结；Whisper 的 LoRA 加在同样位置，可训练参数约 1.15 亿，占 7.4%。选择 LoRA 的理由是原文明确给出的：完整微调可能覆盖原模型已有的英语能力，而 LoRA 遗忘更少，适合需要同时保留英语和西班牙语的课堂任务。
训练样本的组织是两者最大的差别。一个 MOSS 样本是完整录音，按静音切成至多 30 分钟的段，批量为 1；一个 Whisper 样本是至多 30 秒的连续音频窗口，只在话轮间隙处切分。这一差别延续到批量大小、学习率衰减、检查点选择和推理时的解码方式，也为后文 Whisper 增益小、MOSS 增益大埋下了机制线索。
LoRA 适配 × 课堂内匹配数据： LoRA 适配指冻结原模型大部分权重，只在注意力和前馈投影上训练少量低秩增量，用很小的可训练比例学习新域；课堂内匹配数据指同样是在线西班牙语课堂中教师与学习者互动、包含短切换和修正的 38 个会话。两者搭配的意义是只用 15.6 小时数据调整解码行为而不重写原有的英语和西班牙语能力，本文用它检验领域匹配是否比单纯增加外部双语数据更重要。
训练预算如何事先固定以避免挑测试集
论文没有在 7 个评价会话上挑选适配方案，而是先在 38 个适配会话内部做学习者不重叠的五折交叉验证，每折约 28 个会话训练、2 个会话选检查点，且同一学习者不同时出现在训练和测试部分。MOSS 每折训练 6 个轮次，四折选了最后检查点即 252 到 264 步，一折选了第 4 轮即 176 步，两者在每折开发集上词错误率相差不到 1 个点，因此最终适配器按多数折的选择在全部 38 个会话的 57 个样本上训练 264 步，约 4.6 遍。Whisper 的预算是五折最优步数的平均值 330 步，最终取在自身训练数据采样的 200 个窗口上词错误率最低的第 275 步。
附录还报告了 7 种 LoRA 变体、显式语言条件和外部数据混合的开发集比较，结论是没有一种超过朴素 LoRA。例如给 MOSS 每个训练话轮加语言标签反而使交叉验证词错误率上升，给 Whisper 语言标识加辅助损失也大幅变差。这些对照都是在评价会话打分之前固定的，因此 7 个会话上的数字可以看作对既定方案的检验，而不是事后挑选的结果。
参考文本、语言标签和计分规则是什么
参考文本由精通英语和西班牙语的转写员在 Zoom 字幕基础上人工校对，修正识别错误、补上遗漏、删去多余内容，并核对说话人、语码混合、重复、不完整词和重叠，不可懂部分明确标记。填充词在主分析中从参考和假设两端同时去掉，因为纯填充话轮无法赋予可靠的语言标签且会扰动序列对齐，但重复、修正、片段和不完整词被保留。数值转成口语形式，大小写和标点统一，西班牙语重音和表示缩写或中断的标记保留。
语言上下文由基于词频的分类器自动标注：比较每个词在两种语言中的 Zipf 频率，差值小于 0.75 的判为模糊，不计入任何语言证据，再结合命名实体和借词表，把只含西班牙语证据的话轮判为西班牙语独白，只含英语证据的判为英语独白，同时含两者的判为语码混合。人工抽查一份完整记录显示 271 个话轮中有 265 个分类正确，约 97.79%。参考质量用约 5.61 分钟的纯音频直转写做过核验，两者按词级编辑距离计算的一致性为 91.98%，计算方式为：
\[\mathrm{Agreement}=\left(1-\frac{\sum(S+D+I)}{\sum N}\right)\times 100,\]该公式计算的是把人工校对文本相对纯音频文本的替换、删除和插入总数除以纯音频文本词数，再用 1 减去该比率并乘以 100，其中求和在所有片段上先累加再相除，因此长片段权重更大。它只是参考质量核验，不是系统评价指标，主分析仍使用覆盖全部评价会话的人工校对文本。
计分时错误数和参考单元先在录音间求和再算比率，而不是平均各会话的百分比；总体不确定性用以 7 个评价会话为抽样单元的自助法重复 10000 次给出 95% 区间。说话人归属用带 0.25 秒容差的说话人日志错误率，保留重叠语音，复制了参考边界的输出会被排除以避免循环评价，这也是 Whisper 因使用参考话轮切分而不参与归属比较的原因。
总体上谁的转写误差更低
总体结果是对 7 个评价会话汇总后的词错误率和字错误率，数值越低越好，词错误率还附带会话级自助区间。下表按原文顺序列出 6 个系统，比较问题是完整系统配置下的总体转写准确性是否一致，公平条件是同一批参考文本和相同的归一化与汇总方式，但输入切分不同这一点需要记住。
| System | WER | 95% CI | CER |
|---|---|---|---|
| Zoom captions | 36.00 | [32.67, 40.17] | 31.62 |
| Whisper large-v3 | 34.50 | [31.97, 37.89] | 28.72 |
| Whisper large-v3 adapter | 32.30 | [29.24, 35.74] | 27.00 |
| MOSS base | 26.52 | [21.48, 31.85] | 19.08 |
| MOSS adapter | 16.39 | [13.46, 20.41] | 12.71 |
| Muse | 15.59 | [13.07, 19.01] | 10.43 |
从点估计看 Muse 最低，词错误率为 15.59%，字错误率为 10.43%，MOSS 适配器紧随其后，分别为 16.39% 和 12.71%，两者相差 0.80 个百分点。但两者的 95% 区间分别为 13.07 到 19.01 和 13.46 到 20.41，大幅重叠，因此论文把它们视为领先的 1 对而不排序。适配效果在 2 个模型上差异明显：Whisper 从 34.50% 降到 32.30%，下降 2.20 个百分点约相对 6.4%，MOSS 从 26.52% 降到 16.39%，下降 10.13 个百分点约相对 38.2%。Zoom 字幕最高，词错误率为 36.00%。该表说明总量上的排序，但不能说明误差集中在谁身上，也不能说明归属是否同样好，需要继续看拆分。
词错误率 × 字错误率： 词错误率以词为单位计替换、删除和插入再除以参考词数，反映可读性和下游词级测量的误差；字错误率以字符为单位做同样计算，对西班牙语重音、词尾变化和短切换片段更敏感。两者搭配可以区分是整词听错还是拼写细节出错，本文同时报告以避免只看词级指标掩盖字符级差异。
误差是否集中在学习者和混合语音
按说话人角色拆分时，教师包含课堂教师和辅导导师，共 1208 个话轮 12194 个词，占角色标注词的 72.3%，学习者共 843 个话轮 4672 个词，占 27.7%。按语言上下文拆分时，西班牙语独白 1635 个话轮 13064 个词占 77.5%，语码混合 251 个话轮 3086 个词占 18.3%，英语独白 165 个话轮 716 个词占 4.2%。比较问题是领先系统的优势是否泛化到少数但更难的条件下，指标方向仍是越低越好。
| System | Instructor | Learner | Gap (pp) |
|---|---|---|---|
| Zoom captions | 29.00 | 54.27 | 25.27 |
| Whisper large-v3 | 28.20 | 50.94 | 22.74 |
| Whisper large-v3 adapter | 26.50 | 47.44 | 20.94 |
| MOSS base | 21.80 | 38.84 | 17.04 |
| MOSS adapter | 13.46 | 24.04 | 10.58 |
| Muse | 12.80 | 22.87 | 10.07 |
角色表显示 Muse 在教师语音上为 12.80%，在学习者语音上为 22.87%，MOSS 适配器分别为 13.46% 和 24.04%，两者差距很小。所有系统的学习者误差都高于教师，Zoom 差距最大达 25.27 个百分点，Whisper 基础为 22.74 个百分点，MOSS 适配器把差距从 17.04 收窄到 10.58 个百分点，其中教师下降 8.34 个百分点，学习者下降 14.80 个百分点。绝对下降更大 partly 是因为学习者基线更高，不能直接解读为只对学习者有选择性好处。
| System | CS | Spanish | English |
|---|---|---|---|
| Zoom captions | 47.20 | 32.34 | 54.55 |
| Whisper large-v3 | 44.83 | 31.03 | 53.34 |
| Whisper large-v3 adapter | 41.67 | 29.09 | 50.58 |
| MOSS base | 33.54 | 24.36 | 35.67 |
| MOSS adapter | 21.44 | 14.77 | 24.14 |
| Muse | 20.41 | 14.05 | 22.93 |
语言表显示 Muse 在语码混合、西班牙语独白和英语独白上分别为 20.41%、14.05% 和 22.93%，MOSS 适配器分别为 21.44%、14.77% 和 24.14%，排序与总体一致。Zoom 在混合语音上达 47.20%，在英语独白上达 54.55%。适配对 MOSS 在 3 种语言条件下都有大幅改善，对 Whisper 则都是小幅改善。教师西班牙语独白是最容易的条件，学习者英语独白和学习者混合语音一般最难，但英语独白样本很小，解读需谨慎。
说话人角色 × 语码混合： 说话人角色指同一互动中的教师与学习者，区分发音成熟度、发言量和话轮功能；语码混合指一个话轮内同时出现西班牙语和英语证据，另有西班牙语独白和英语独白两类。两者交叉才能定位误差集中在哪里，本文把角色和语言上下文分别拆分再做联合拆分，正是为了检验总平均数是否被多数的教师西班牙语拉低。
角色与语言交叉后还能看到什么
为了同时看到角色和语言的影响，论文还做了六格交叉：教师混合、教师西班牙语、教师英语与学习者混合、学习者西班牙语、学习者英语。下图用颜色深浅表示词错误率高低，颜色越深误差越高，每列最低值加粗，Muse 所在行用方框标出。读图前请明确，左侧三列是教师，右侧三列是学习者，每列内部比较系统，跨列比较条件难度，样本量最小的是英语独白格。
看图路径： 1. 先对比左侧教师三列与右侧学习者三列的整体颜色深浅；2. 再看同一行内西班牙语独白与英语独白、语码混合列的差异；3. 最后自上而下比较基础模型、适配器和 Muse 在最小值所在列的变化
论文图 2。原论文 Figure 2:：“WER (%) jointly disaggregated by speaker role and language context for all six systems.”。
从像素可见，所有行的右侧三格普遍比左侧更深，说明学习者条件下误差更高；同一侧内西班牙语列最浅，英语和混合列更深。Muse 在六列中均为最低，分别为教师混合 17.10%、教师西班牙语 11.54%、教师英语 19.70%、学习者混合 27.50%、学习者西班牙语 21.11%、学习者英语 28.40%，MOSS 适配器紧随其后。MOSS 适配相对基础 MOSS 在教师侧下降约 7.72 到 10.70 个百分点，在学习者侧下降约 13.10 到 15.10 个百分点，Whisper 适配在六格中只下降约 1.40 到 3.70 个百分点。该图支持的判断是领先配置的优势具有稳健性，但即使最好系统在学习者混合和英语独白上仍有约 20% 以上的词错误率，论文也提醒角色、语言和会话构成相互混杂，不能做正式的交互显著性检验。
转写最好是否等于说话人归属最好
说话人归属单独用系统自带的说话人标签评价，评价对象是长录音系统，Whisper 因使用参考话轮而不参与，Zoom 因使用平台参会人信息而单独报告。比较问题是在需要统计谁说了多少的场景下，哪个系统的时间归属误差更小，指标是按参考语音时长加权的说话人日志错误率，越低越好。但各系统合格录音集合不完全相同，因此只能谨慎比较。
| System | DER (%) |
|---|---|
| MOSS base | 16.27 |
| MOSS adapter | 10.66 |
| Muse | 19.12 |
表中 MOSS 适配器为 10.66%，低于 MOSS 基础的 16.27%，而转写点估计最低的 Muse 反而为 19.12%，是三者中最高的。也就是说转写和归属给出了不同排序。Zoom 的平台相关归属误差为 2.64%，但因使用平台身份信息且评价流程不同，不能与表中的日志错误率直接比较。外部声学日志系统作为参照，其误差范围在 12.04% 到 18.91% 之间，数值上都高于 MOSS 适配器的系统自带结果，但因输出边界和合格录音不同同样不可直接比较。
| Diarizer | DER (%) |
|---|---|
| pyannote-3.1 | 15.82 |
| pyannote-community-1 | 15.44 |
| DiariZen | 12.31 |
| NeMo Sortformer | 18.91 |
| Nemotron-3-Diarization | 12.04 |
外部 diarizer 表中最低的是 Nemotron-3-Diarization 的 12.04%，其次是 DiariZen 的 12.31%，两个 pyannote 配置分别为 15.82% 和 15.44%，NeMo Sortformer 最高为 18.91%。该表的作用是说明即使不看转写、只做声学归属，最好的外部工具在该数据上仍未超过 MOSS 适配器 1 次完成转写加归属的数值结果，但比较条件不同，不能据此宣称 MOSS 的归属模块在所有条件下最优。
说话人日志错误率 × 转写错误率： 转写错误率衡量词或字是否听写正确，说话人日志错误率衡量每段时间的话是否归给了正确的人，包含混淆、漏检和误检。两者分工不同：前者用参考说话人标签评分，与自动归属无关；后者单独评价归属。一个系统可以词写对但人标错，本文把两者分开报告，正是为了说明参与度分析不能只看词错误率。
为什么同样数据下增益差别这么大
论文用开发集对照排除了数据量解释。把课堂会话换成或混入更大的外部双语会话和学习者访谈语料后，开发集总体和学习者词错误率都没有超过只用课堂会话的对照组，外部占比最大的混合甚至差于不适配，只在学习者语音上训练反而使模型早停。这些结果支持的判断是领域匹配比数据量更重要，外部语料缺少教师主导的课堂互动结构是限制因素。
解码方式的对照更直接。同样 3 个 Whisper 模型在两种解码下得分不同，窗口独立解码时适配器比基础模型好约 4.54 个点，在完整录音连续解码时增益消失，而基础模型本身几乎不变。MOSS 1 次处理完整录音并保留增益。因此后文 7 个会话上 Whisper 适配器仍有小增益，是因为它处理的是参考定义的话轮，更接近其训练时的窗口条件，而不是因为它学会了同样的长程适应能力。
窗口解码 × 长录音解码： 窗口解码指把音频切成至多 30 秒的片段逐段识别，Whisper 的训练和适配都在这种条件下进行；长录音解码指把整场会话串起来连续解码，需要自己传递时间戳和语言判断。两者搭配揭示了适配生效的条件：同样的 Whisper 适配器在窗口解码下有增益，在长录音解码下增益消失，而一次处理完整录音的 MOSS 保留了增益。
这些结论在什么条件下才成立
评价只有 7 个会话，来自同一机构背景和一个辅导平台的在线西班牙语与英语互动，多数为初级、教师主导，教师和西班牙语占多数词数，因此数字不能直接推广到线下课堂、其他水平、其他语言对或以学习者为多数的场景。系统比较还受到切分不一致的影响：Whisper 拿到了参考话轮边界从而免去了切分误差，MOSS 和 Muse 处理更长音频，Zoom 有平台身份信息，排序是配置级排序而非纯模型结构排序。
适配变体和外部数据混合只在两个开发会话上比较，能排除明显无效的方案，但小于约 0.5 个点的差异无法可靠排序，也没有运行完整微调基线。交叉验证部分保留填充词且按完整录音解码，与 7 个会话上去填充词的分数不可直接比较。说话人归属的汇总基于部分不同的合格录音集合，区间和显著性也不完备，因此转写与归属排序不同是一个有证据的提醒，而不是对所有课堂数据都成立的定论。
要复现需要准备什么和先做什么
论文在附录 B 提到了代码库链接 https://github.com/samhithaharish/asr-code-only，本次核验将其记为第三方提及，status=200，这只说明论文提到了该链接。适配器和去标识转写按论文说法仅按申请提供，音视频因含可识别声音而不提供，课堂转写需经机构批准才可能获取。复现时应把论文提及的链接、权重获取和系统运行当作三件不同的事分别确认，本次仅确认前者。
复现第一步是重建参考文本和计分流水线：按附录的转写规范保留可理解的学习者形式和语码混合，按同一归一化去掉标点、统一数字口语形式并移除规范填充词表，再用相同的先求和再相除的方式汇总词错误率和字错误率，用会话级自助法估计区间。语言标签需用同样的词频差阈值和借词表重建，角色标签必须使用参考标签而非自动归属。随后固定 LoRA 秩、缩放、丢弃率和学习率，先在学习者不重叠的划分上确定训练步数，再在未见会话上打分，不要在评价会话上挑选检查点或阈值。
什么时候值得尝试这种适配
当任务是双语教学互动的转写，且下游需要区分教师与学习者、区分西班牙语独白与混合或英语话轮时，本文的拆分评价值得借鉴，因为它能检验总体提升是否真正落到难例上。当已有少量与目标课堂结构相同的互动数据，即使只有十几小时，也可以尝试冻结主干、只训练注意力和前馈投影的 LoRA 适配，并用学习者不重叠的划分固定预算，而不是急于混入更大的通用双语或学习者语料。
还需要补的验证包括更大、更多机构和水平的评价集，对长录音解码一致的 Whisper 对照，以及在统一合格录音集合上的归属比较和人工可用性评价。容易产生的误解是把 MOSS 适配器接近 Muse 理解为全面替代：在只需词写对的场景两者接近，在需要说话人归属的场景 MOSS 适配器在本次合格录音上更低，而在需要平台身份信息的场景 Zoom 的数字另有前提。系统选择应同时权衡总体准确性、在目标说话人和语言条件上的稳健性，以及归属准确性。
📎 论文与评分元数据
排名：前50% | 文档类型：应用研究 | 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