音频分类器隐层神经元在听什么：用符号声学概念解释 32 个神经元

📄 音频分类器隐层神经元在听什么：用符号声学概念解释 32 个神经元

英文题目：Bridging Neural Representations and Symbolic Semantics in Audio Classification

评分：5.3/10 | 创新 1.2/2 | 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 0/1.5 | 可复现 0.1/0.5 | 工程/实践 0.5/1.5

👥 作者与机构

• Avishek Das：机构信息未能在本次解析中与作者逐人可靠绑定
• Pascal Hitzler：Kansas State University；Manhattan, Kansas

📌 核心摘要

音频分类器能给出正确标签，但最后隐藏层单个神经元对何种声音模式反应强烈，基于波形片段或频谱高亮的输入归因方法回答不了。论文处理3秒音频段的音乐流派与乐器分类，输入数值声学信号、输出类别标签，难点是时频与音色线索分散，数值特征无法直接进入符号推理。第一步对每段提取57个数值声学特征并按训练集分位数阈值映射为高低两类符号标签，如响度高低、明亮晦暗，得到事实库供诱导使用。第二步用该57维特征训练多层感知机，取最后隐藏层32个神经元的测试集激活，按各自最大值比例划分正负样本集，输出的集合与符号标签一起送入概念诱导工具。该工具搜索能覆盖正例、排除反例的逻辑表达式，如Bright and not Rich，表达式对应的满足与不满足样本再到独立音频上对比激活强度。在流派任务每神经元各10个样本的标签确认检验中，以触发率为指标，neuron_22满足Noisy and Soft样本的正触发率为80%，高于不满足样本负触发率的0%，多数确认神经元负触发率仅为0%或10%。经Mann-Whitney U检验，流派9个确认神经元中7个在p<0.05下目标样本激活显著更强，而neuron_12等2个未通过，乐器10个中9个通过而neuron_17未通过，说明结论仅适用于所选5类GTZAN/FMA与5类IRMAS及该阈值化本体与多层感知机设置，未验证其他架构、更大验证集与专家可理解性；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://anonymous.4open.science/r/xai_audio/ — 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

这篇论文要回答什么音频解释问题

论文研究的对象是音频分类器的预测行为，输入是录音切成的短音频段，输出是流派或乐器类别。作者关心的不只是分类对不对，而是最后隐层里每个神经元到底对什么样的声音更兴奋，能否用听得懂的声学词汇说出来。

已有的很多音频可解释工作停在输入层归因，也就是标出哪段波形、哪块频谱或哪个手工特征更重要。这能告诉用户模型在看哪里，但说不清隐单元本身编码了什么，例如它是喜欢明亮音色，还是喜欢有节奏的敲击感。概念解释想补上这一块，把解释从原始帧和系数转到可持续复述的语义性质上。

难点在于音频概念不像图像里可见的物体和纹理那样好 grounding。同一段声音可能同时有音高、音色、节奏和响度的混合线索，而且证据分散在时间和频率上。论文因此只聚焦一个可检验的问题：在给定符号标签体系下，最后隐层 32 个神经元中是否有一部分能与稳定的标签逻辑组合对应起来，并在独立音频上重复点亮。

已有音频解释与视觉概念解释各缺了什么

音频可解释一侧，论文回顾了波形相关、频谱热图、LIME、SHAP、Grad-CAM、逐层相关传播等做法，以及可听热图、原型模型和安全场景中的特征重要性。这些方法大多在输入或特征层工作，能验证模型是否关注了合理的声学模式，但不直接回答隐神经元代表什么。

概念与神经元解释一侧，论文回顾了 TCAV、ACE、概念瓶颈、网络解剖和 CLIP-Dissect 等图像工作，以及用正负激活集加背景知识和概念归纳解释图像与文本隐神经元的工作。这些工作说明按激活强弱分组再归纳概念是可行的，但主要面向图像，有的可依赖分割、视觉概念集或视觉语言模型，文本工作则可依赖 WordNet。

输入层归因解释 × 神经元级概念解释： 输入层归因解释回答模型看输入的哪里，例如哪段波形、哪块频谱或哪个 MFCC 更重要；神经元级概念解释回答隐层某个神经元编码了什么人类可理解的性质，例如偏亮但频谱不丰富。本文认为只给前者不够，因为它能指出位置却说不清隐单元代表的听感含义，所以把工作重点放在后者，用符号标签组合直接描述最后隐层每个神经元。

两相对照，缺口就很具体：音频缺少神经元级的概念解释，视觉的概念方法又不能直接搬到音频，因为音频需要处理持续谐波质感、打击感、明亮度、节奏感等时谱性质。论文选择把图像中验证过的正负激活集加概念归纳路线改造到音频，而不是发明全新的解释范式。

输入、目标与必须保留的信息是什么

输入是原始录音，论文统一切成 3 秒块，后续所有计数都是 3 秒块数而不是整首歌数。每个 3 秒块既要能进入分类器做流派或乐器判别，也要能被贴上一组符号声学标签，用于后面的概念归纳。

目标是为最后隐层每个神经元生成一个符号概念假设，例如同时满足柔和与纯净的声音，并用独立数据检验这个假设是否真的让该神经元更兴奋。输出不是新的分类器，而是一组神经元与概念表达式的配对及其统计支持。

必须保留的信息有 3 类。第一是音频块与标签的对应关系，不能把标签编成与信号无关的代号；第二是神经元激活与样本的对应关系，不能打乱谁点亮了谁；第三是归纳与验证使用不同数据的划分，不能用同一批样本既归纳又自证。论文用训练集定阈值、用测试集做激活分组、用独立验证集做确认和检验，正是为了守住这 3 条线。

两阶段流程如何把波形变成神经元解释

整个方法分成两个大阶段。第一阶段是音频到符号标签的构造，解决概念归纳读不懂波形和浮点数的问题；第二阶段是神经元级符号解释，把分类器隐层行为和符号标签连起来，生成并验证概念。

沿着一个 3 秒块走一遍更清楚。它先被算出 57 个数值特征，再按训练集统计阈值变成一组高低标签；同一块同时进入已训练的多层感知机，得到最后隐层 32 维激活向量中的一个分量。归纳时，某神经元的强激活块和弱激活块分别提供正反例，标签本体提供背景事实，学习器输出一个标签逻辑组合。验证时，另取一批音频按是否满足该组合分组，再看该神经元是否确实对满足组更兴奋。

下图是论文给出的总流程，先看底部三块分工，再看符号流从上方汇入的位置，这能避免把标签构造和神经元分析混为一谈。

读图任务是确认两条流在哪里汇合：下方是音频进模型再到正负集的激活流，上方是映射标签进本体构建的符号流，两者在概念归纳处相遇，最后才进入概念验证。

看图路径： 1. 先看底部三段虚线大框，区分模型训练、神经元分析与符号解释的分工；2. 再看上方映射符号标签进入本体构建的蓝色箭头，确认符号流与激活流在概念归纳处汇合；3. 注意右上角虚线框示例 Dark 与 Melodic 与 Soft 的合取，理解归纳输出是标签的逻辑组合

论文图 2。原论文 Figure 2:：“Overview of the proposed neuron-level symbolic explanation pipeline.”。

图中确实可见从左到右的模型训练、神经元分析、符号解释 3 段，中间有最后稠密层激活抽取和正负集构建，右侧有概念归纳到概念验证的箭头，上方有映射符号标签到本体构建的输入，右上角还用虚线给出 Dark 与 Melodic 与 Soft 合取的示例。这说明归纳输出不是单个标签，而是有与、或、非的表达式，验证是独立的一步而不是归纳自带的分数。

音频如何切分、算特征并变成符号标签

论文把 GTZAN 和 IRMAS 的录音都切成 3 秒块，保证训练和概念分析的样本可比。流派侧只用 5 个流派类，乐器侧只用 5 个乐器类。切分后的块数见后表，理解时要注意这些数字已经是块数，不是原始歌曲或独奏录音数。

每个 3 秒块用 Librosa 提取一组声学描述，包括色谱短时傅里叶统计、均方根能量、频谱质心、频谱带宽、频谱滚降、过零率、谐波与感知分量、速度和梅尔频率倒谱系数等。对多数描述同时算均值和方差，既看平均行为也看随时间的变化，总共得到每个块 57 个数值特征。

数值声学特征 × 符号声学标签： 数值声学特征是每段 3 秒音频用 Librosa 算出的 57 个连续值，描述能量、频谱、节奏等强弱；符号声学标签是把这些连续值按训练集分位数切成高低两档后的人话名字，例如能量高叫 Loud、能量低叫 Soft。概念归纳模块读不懂连续波形和浮点数，只能读个体是否属于某类标签，所以必须先做这道转换，转换后丢失了中间值信息，但换来了可做逻辑组合的符号。

阈值只用训练数据估计，避免测试信息泄漏。对每个特征取 25 分位数为下阈值、75 分位数为上阈值，小于等于下阈值贴低档标签，大于等于上阈值贴高档标签，中间值对该特征不贴标签。如果训练样本中至少 10% 为非零值，就只用非零值算阈值，避免静音块主导分布，否则用全分布。阈值固定后再用到测试集。标签名是相对声学行为的代理说法，例如速度慢快、能量软响、质心暗亮、带宽纯净丰富、滚降柔和清脆、过零率平滑噪声、谐波非旋律旋律、打击非节奏节奏，论文明确说它们不是精确心理声学测量。

下图把这条链路画得很直白，适合对照文字理解每一步的输入输出变化。

读图任务是沿箭头确认四次变换分别产生什么：切分产生等长块，特征抽取产生数值向量，统计阈值产生高低分界，映射产生符号集合，重点看阈值框里折线与横线的相对位置表示。

看图路径： 1. 先沿从左到右的蓝色箭头数出五个框，确认主路径是音频到切分再到特征与阈值最后到标签；2. 看切分框里 0 到 15 秒与多段波形的画法，理解长录音被切成等长短段；3. 看最后标签框里 soft、noisy、dark、crisp 等分散小标签，理解输出是一组符号集合而非单个类别

论文图 1。原论文 Figure 1:：“Audio to symbolic tag construction. Raw audio recordings are segmented, acoustic features are extracted, and statistical thresholding is used to map feature values into…”。

图中确实可见音频数据先进入标有 0 到 15 秒的切分框，切分框下方有多段波形块，接着是特征抽取框里的波形加齿轮与音高频谱节奏等小图标，再接着是统计阈值框里带水平阈值线的折线图，最后是符号标签映射框里散布的 soft、melodic、noisy、dark、crisp、loud、smooth 等标签。这与文字所说的切分、提特征、按分布切阈值、输出标签集合完全对应，也能看出一个块可以同时带多个标签。

神经元正负集与概念归纳具体怎么做

分类器本身是结构固定的多层感知机，输入是 57 维数值特征，不是符号标签。符号标签只用于解释，不参与分类训练，这一点很关键，否则解释就变成自己解释自己。

隐层激活 × 正负激活集： 隐层激活是测试音频经过已训练分类器最后隐层 32 个神经元后得到的 32 维响应，每个维度表示一个神经元对这段音频的兴奋程度；正负激活集是按该神经元自身最大值切出的两群样本，大于等于 0.60 倍最大值算强激活，小于等于 0.20 倍最大值算弱激活。切分的目的是给概念归纳提供正例和反例，让学习器去找能盖住正例又避开反例的标签组合。

测试集过最后隐层后，每个块得到 32 维激活。对第 j 个神经元，记其在测试集上的最大激活为该神经元的最大响应，正阈值为 0.60 倍最大值，负阈值为 0.20 倍最大值。大于等于正阈值的块进正集，小于等于负阈值的块进负集，中间为中性块，不参与该神经元的概念归纳问题。阈值是沿用先前隐神经元解释工作的启发式切分，目的是拿到强关联样本，不是理论最优。

轻量 OWL 本体 × DL-Learner 概念归纳： 轻量 OWL 本体是把每段音频当作个体、每个符号标签当作类、贴标签当作类断言存成的扁平知识库，没有子类层级和额外关系；DL-Learner 概念归纳是在这个知识库上用闭世界推理搜索类表达式的工具，输入是某神经元的正负激活集，输出是类似 Bright 与非 Rich 的逻辑组合。两者搭配，前者提供可推理的符号事实，后者提供从正反例中找覆盖表达式的搜索，合起来才把神经元行为翻译成人可读的假设。

归纳时把符号标签建成扁平本体，每个音频块是个体，每个标签是类，贴标签是类断言，没有子类层级和额外语义关系。对每个神经元，用它的正负集加本体构造一个概念归纳问题，用 DL-Learner 加闭世界推理器做正负例学习，搜索能覆盖正例又排除反例的类表达式。输出就是该神经元的候选概念，例如柔和与纯净的合取，或带否定的更复杂组合。

目标组触发率确认 × 曼惠特尼 U 检验： 目标组触发率确认是先看验证集中满足归纳表达式的样本有多少能让对应神经元达到 0.60 倍验证最大值的强激活，达到一半以上才算确认；曼惠特尼 U 检验是在另一个验证划分上比较目标组与非目标组激活值分布是否有显著差异的非参数检验，用 p 值和 z 值量化。前者回答假设在新数据上是否频繁点亮神经元，后者回答点亮强度差异是否不太像偶然，两步合起来才算对神经元概念假设的独立验证。

验证把候选概念当假设。流派用 FMA Large 做验证，乐器用 IRMAS 中未参与训练和归纳的另一子集做验证。对每个神经元，按验证样本是否逻辑满足表达式分成目标组与非目标组，过分类器取同一最后隐层激活，按验证最大值算 0.60 倍阈值，达到阈值算 1 次正触发。目标组中至少 50% 正触发才算确认，确认后再在另一个同源验证划分上做曼惠特尼 U 检验，比较两组激活值。

分类器怎么训练以及为何只解释最后 32 个神经元

2 个任务各训练一个多层感知机，输入都是 57 维数值特征，数据集按 70 比 15 比 15 划分训练验证测试。模型有 3 个隐层，神经元数依次为 256、128、32，都用 ReLU 激活，训练 100 轮。论文报告的重点不是调结构，而是让分类器学到足够可用的音频表示，再去分析隐层。

解释只选最后隐层，也就是 32 个神经元的那层，因为它紧邻输出层，是最紧凑的决策前潜在表示。沿用先前工作的选择也有可比性，方便把音频结果与图像文本的隐神经元分析放在同一尺度下看。

训练与解释的数据分工要分清。阈值来自训练集，激活分组来自测试集，概念确认和统计检验来自独立验证集。标签映射阈值固定后复用，避免验证信息回流到归纳；神经元阈值按每个神经元自身最大值定，避免不同神经元量纲不同导致一刀切。原文没有报告优化器、学习率、批量大小和硬件开销，复现时只能按结构、轮数、划分和特征数先搭起来，不能脑补这些缺失项。

数据划分、类别与验证来源是什么条件

理解结论成立条件，先要看清数据表里到底是什么。GTZAN 侧 5 个流派块数接近每类约 1000，IRMAS 侧 5 类乐器块数从 388 到 760 不等，乐器类分布明显不均衡。所有计数都是 3 秒块，块的划分方式和重叠情况原文没有细说，复现时要保留按块计数的口径。

下表比较的问题是两类任务的样本基础是否可比，公平条件是同为 3 秒块、同为 5 类设置，指标方向是块数越多归纳和验证的候选池越大，但不代表类别越好学。

表中可见流派侧爵士 1000 块、古典 998 块、嘻哈 998 块、摇滚 998 块、乡村 997 块，乐器侧电吉他 760 块、钢琴 721 块、风琴 682 块、木吉他 637 块、大提琴 388 块。这意味着乐器侧大提琴样本明显更少，归纳和验证时目标组可能更难凑齐，解释时要留出样本稀疏的限制，不能把两类任务的确认数直接当能力高低。

验证来源是结论外推的关键。流派归纳用 GTZAN，验证用 FMA Large，属于跨数据集验证，对泛化要求更高；乐器归纳和验证都来自 IRMAS，但验证用的是未参与训练和归纳的单独子集，属于同源独立验证。两者的严格程度不同，读结果时要分开看，不能混成同一种泛化。

分类准确率与确认的神经元概念有哪些

分类性能是做解释的前提。乐器分类整体准确率为 0.81，宏平均精确率、召回率和 F1 都是 0.81；流派分类整体准确率为 0.94，宏平均三项也都是 0.94。论文据此认为表示已足够用于隐神经元分析，后续不再优化结构。

下表比较的问题是在流派任务上哪些神经元的候选概念能在独立验证中被频繁触发，公平条件是每个神经元都用 10 条数据的目标组与非目标组计数，正触发率越高且负触发率越低越好。

表中可见确认的 9 个流派神经元正触发率从 50% 到 80%，负触发率大多为 0%，个别为 10%。例如 neuron_22 为 Noisy 与 Soft 达到 80% 正触发，neuron_10 为 Pure 与 Soft 达到 70%，neuron_9 为 Bright 与非 Rich 达到 60% 正触发和 10% 负触发，neuron_2 的表达式最复杂，为 Crisp 与响慢或非 Rich 的组合。附录全表显示其余神经元正触发率多在 40% 以下，说明只有子集神经元能与稳定符号描述对应。

乐器侧的比较问题相同，只是任务换成乐器，公平条件同样是每神经元 10 条数据的触发计数。

表中可见乐器侧最后隐层 32 个中有 4 个零激活被排除，剩下 28 个中有 10 个确认，正触发率同样为 50% 到 80%。例如 neuron_30 为 NonMelodic 与 Pure 达到 80%，neuron_7 为 Rich 与 Soft 达到 80% 但负触发 20%，neuron_9 为 Rich 与 Smooth 达到 70%，neuron_0 为 Bright 与 Loud 达到 50%。负触发率普遍高于流派侧，neuron_20 甚至达到 30%，说明部分乐器概念的排他性更弱，读结论时要同时看正负两列，不能只看正触发。

统计检验支持了哪些神经元概念

触发率确认后，论文用曼惠特尼 U 检验在另一个验证划分上比较目标组与非目标组的激活值。原假设是两组无显著差异，拒绝原假设意味着满足概念的样本确实让该神经元更兴奋。负 z 值表示非目标组激活普遍更低，与解释方向一致。

下表比较的问题是流派侧 9 个已确认配对中哪些经得起分布差异检验，公平条件是同源验证划分、显著性水平为 p 小于 0.05，p 越小支持越强。

表中可见 7 个流派神经元在 0.05 水平下拒绝原假设，例如 neuron_10 的 p 为 0.0003、z 为负 3.5529，neuron_24 的 p 为 0.0010，neuron_9 的 p 为 0.0009，而 neuron_21 的 p 为 0.0636、neuron_12 的 p 为 0.5642 未拒绝。这说明触发率达标不等于统计显著，neuron_12 虽然正触发 70%，但检验完全不支持，需要在复述时明确剔除，不能把 9 个确认都说成验证通过。

乐器侧原文报告 10 个确认中有 9 个在 p 小于 0.05 下拒绝原假设，只有 neuron_17 的 p 为 0.1354 未拒绝，例如 neuron_0 的 p 为 0.0001、neuron_30 和 neuron_22 的 p 都为 0.0004。结合触发表看，乐器侧有效标记率为 32 个中的 9 个，流派侧为 32 个中的 7 个。论文还与图像文本的同类研究对比，图像有效率 29.7% 和 45.3%、文本 35.9%，音频 21.9% 和 28.1% 处于可比范围，但音频概念不如视觉物体直接 grounding，这个对比只能说明数量级相近，不能说明解释质量相同。

跨研究对比与未通过项说明了什么边界

把音频结果与同类隐神经元研究并排看，比较的问题是不同域用同样激活分组加概念归纳路线时能留下多少有效神经元。公平条件并不完全一致，因为分析的神经元总数、概念体系和验证数据都不同，所以只能看百分比的数量级，不能排胜负。

表中可见图像研究分别在 64 个中验证 19 个和 29 个，对应 29.7% 和 45.3%，文本在 64 个中验证 23 个对应 35.9%，本文流派在 32 个中验证 7 个对应 21.9%，乐器在 32 个中验证 9 个对应 28.1%。主要收益是音频在更弱 grounding 的标签下仍能留下 20% 左右的有效神经元，乐器侧与图像最低档接近。限制是分母不同、标签表达力不同，而且音频只分析了最后隐层和多层感知机，不能推广到深层卷积或 Transformer。

未通过项同样重要。流派侧 neuron_12 和 neuron_21、乐器侧 neuron_17 虽然触发率达到 50% 以上，但检验 p 值分别为 0.5642、0.0636 和 0.1354，没有达到显著。附录还显示大量神经元正触发只有 10% 到 30%，例如流派 neuron_19 和 neuron_25 正触发为 0%。这意味着该方法不是给每个神经元都找到解释，而是只对子集有效，复述时要说清沉默的大多数，不能只展示确认表。

哪些选择可能改变概念的质量与数量

论文自己列了四点限制，每一点都对应一个复现时不能随意改的开关。第一是符号标签基于阈值化特征，标签质量依赖特征到标签映射的可解释性，标签只是相对行为的代理，不是精确心理声学测量。换一组特征或改标签名，归纳结果会跟着变。

第二是本体是扁平的轻量标签知识库，没有层级和关系。更丰富的层级或关系可能支持更具表达力的概念，但也会引入更多主观建模，本文结果只在扁平本体下成立。

第三是激活阈值是启发式，正集 0.60 倍最大值、负集 0.20 倍最大值、确认 50% 触发率都不是理论最优。改阈值会改变正负集构成，进而改变表达式和确认数，论文没有做阈值消融，所以不能说当前阈值最好。

第四是只分析多层感知机最后隐层，没有看其他结构、更深层和更大验证集。跨结构、跨层和跨数据集的稳健性都还没测，结论不能外推到所有音频分类器。验证每神经元只用 10 条数据的触发计数，样本很小，统计检验虽在另一划分上做，但仍受标签稀疏和类别不均衡影响。

复现第一步做什么以及需要哪些信息条件

复现要按数据流搭两条线。先复现第一阶段：把录音切成 3 秒块，用 Librosa 算出 57 维特征，只用训练集按 25 和 75 分位数定阈值，处理 10% 非零规则，输出每块的符号标签集。阈值必须存盘固定后再用于测试和验证，不能每批重算。

再复现第二阶段：按 70 比 15 比 15 划分，用 57 维特征训练 256、128、32 的多层感知机 100 轮，取最后 32 维隐层做测试集激活分组，按 0.60 和 0.20 倍最大值建正负集，建扁平 OWL 本体后用 DL-Learner 做正负例归纳。验证时流派取 FMA Large、乐器取 IRMAS 独立子集，按是否满足表达式分组，按验证最大值算触发率，50% 以上算确认，再在另一划分上做曼惠特尼 U 检验。

信息条件上，原文给了结构、特征数、划分比例、轮数、阈值规则和验证来源，但没有给优化器、学习率、批量、随机种子和硬件预算，DL-Learner 的具体搜索参数也没有细说。匿名链接在文中只说明提供源码和原始结果文件用于复现，本次核验显示有两个第三方可用链接指向同一匿名地址，但这只证明论文提到了该地址，不证明作者已长期开源，代码、权重、系统可运行要分开确认。起步建议先跑通特征到标签再跑通激活分组，不要一开始就调模型精度。

什么时候值得尝试以及还缺哪项验证

如果你的任务也是音频分类，而且用户追问的不只是哪段声音重要，而是模型内部是否学到了明亮、柔和、噪声感、节奏感这类可复述性质，这条路线值得一试。它不需要改模型结构，属于训练后分析，适合先对最后隐层做 1 次普查，看是否有子集神经元能与稳定标签组合对应。

使用时要守住 3 个条件。标签体系要先讲清每个高低档对应哪个特征的相对行为，不能把代理标签当成物理真值；阈值和确认线要原样保留或明确报告改动，因为它们直接决定确认数；验证必须用独立音频，跨数据集和同源独立子集的结论强度不同，要分开表述。

还缺的验证也很具体。更大验证集能缓解每神经元 10 条计数的偶然性；阈值敏感性分析能说明确认数是否稳健；换结构和换层能说明方法是否只适用于浅层感知机；音频领域专家的可理解性和有用性评价能说明归纳表达式是否真能帮助调试和信任。目前的证据只支持在给定特征映射、阈值、本体和验证集下，部分神经元与符号概念的关联在统计上显著，不支持所有神经元都有解释，也不承诺能降低误判或延迟。

⚖️ 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 2026-10-30 语音/音乐/音频论文速递