📄 零样本语音合成选哪段提示音频？从合成结果中学习选择
英文题目：What Makes a Good Audio Prompt for Zero-Shot TTS? Learning Prompt Selection from Synthesis Outcomes
评分：7.0/10 | 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 1/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 1/1.5
👥 作者与机构
- Arnon Turetzky：机构信息未能在本次解析中与作者逐人可靠绑定
- Yossi Adi：The Hebrew University of Jerusalem
📌 核心摘要
零样本语音克隆的输入是一段较长录音和待合成文本，输出是模仿目标说话人的语音，难点在于从同一录音切出的不同候选提示会导致合成话语的可懂度、自然度和说话人相似度明显变化。论文先为每个录音切出10个3秒、6个5秒和3个10秒共19个候选，用Qwen3-TTS 0.6B和1.7B、F5-TTS、Chatterbox四个模型各合成15条输出并取平均作为该提示的结局，以量化提示的影响。再训练一个只读候选音频的选择器，学习按合成结局对同一录音内候选排序，推理时不做任何合成直接挑选，其监督来自目标模型的合成结局而非提示本身是否干净，并把选择固定为每个说话人选一次。在400条held-out测试录音上，选择器使Qwen3-TTS 0.6B的词错率相对随机提示降低1.36个百分点、降幅约32%，比UTMOS规则多降低0.54个百分点。同样在400条测试录音上，选择器使F5-TTS的词错率相对随机提示降低约43%，比最强基线DNSMOS规则多降低1.45个百分点。在Qwen3-TTS 0.6B测试上该增益相当于每个候选合成12句、每录音228次的试探选择，而选择器选择时零合成；标注结局约每个模型100-270 GPU小时，选择器训练在单GPU上仅需几分钟。结论限于YouTube式同录音条件内选提示，Chatterbox本身可选空间小而与基线持平；在候选主要以加噪录音质量差异为主时选择器仅31%选中干净版本、不如UTMOS规则的79%，且主攻可懂度会损失部分预测自然度增益。
🔗 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
零样本合成的输入是什么，要保留什么
零样本文字转语音的输入是两部分，一是待合成的目标句子文本，二是一段几秒的目标说话人参考音频，论文称之为提示。模型要在没见过该说话人的情况下，生成听起来像这个人说目标句子的语音。实际使用时用户往往只有一个较长录音，例如视频、播客或留言，需要从中切出几秒做提示。
这就带来一个具体困难：同一录音的不同片段音质、语速、停顿、尾音和转写可靠度都不同，模型用它们生成的清晰度、自然度和像不像本人也会不同。论文研究的就是这个选择步骤，目标是在合成任何目标句之前，为每个录音只选一段提示。评价时不看提示本身好不好听，而看用它合成出的语音在词错率、自然度预测分和说话人相似度上好不好。
已有做法在选提示时比较什么
已有工作更多关注风格和情感，例如按文本或风格检索与目标句匹配的提示，或用标注筛选富有表现力、与文本契合的提示。处理野外数据时，有工作增强带噪提示，或用音频和文本语言模型分数过滤提示。另一类做法是对同一句话合成多条再保留最好的一条，但代价是每句话都要多合成几次。
与之不同，本文固定模型、固定说话人录音，比较同一录音内部候选之间的差异，目标句子事先未知，选择也只做 1 次。常用基线是预测质量规则，即对每个候选算非侵入式预测分，选分最高者。论文主要用 UTMOS 规则，它面向合成和朗读语音的自然度；另一个是 DNSMOS 规则，面向降噪语音质量，也常用于过滤训练数据。论文要检验的正是这类规则能否按合成结果排好同一说话人的候选。
论文把选择问题如何形式化
论文把每个说话人对应一个录音，每个录音切出 19 个候选，包含 10 个 3 秒、6 个 5 秒和 3 个 10 秒片段，位置随机但边缘对齐到低能量处，同长度片段之间最多重叠一半音频。每个录音还有 5 个目标句和 3 个锚定语音，锚定语音在 30 秒候选区之外，用于算说话人相似度时避免直接与提示比。
一个提示的好坏定义为用它合成出的多条输出在某指标上的平均值，一个选择器的好坏定义为它所选提示的平均结果相对同一录音随机选一个候选的改进。对词错率和失败率，改进是百分点下降；对自然度和相似度，改进是分数上升。选择器在选择时可以用候选音频和自动转写，但看不到将要合成的目标句。
提示 × 候选提示： 提示是指喂给零样本合成模型的那几秒目标说话人音频，模型据此模仿音色；候选提示是指从同一个较长录音里切出的多个可选片段。本篇的选择任务就是在同一录音的候选提示中只选一段，之后所有句子都用它，比较的是同一录音内部哪个片段带来的合成输出更好。
整体流程如何从录音走到被选提示
流程分标注和选择 2 个阶段。标注阶段对每个候选提示，用固定模型对 5 个目标句各以 3 个采样种子合成，共 15 条输出，再对每条算词错率、失败与否、UTMOS、DNSMOS、Audiobox 生产质量和与锚定的 ECAPA-TDNN 余弦相似度，最后按提示平均得到该提示在各指标上的结果。
选择阶段有 3 类做法。质量规则直接选预测分最高者。试探选择是对每个候选实际合成多条测试句再选平均最好者，作为参照但代价高。学习型选择器则在别的录音的标注结果上训练，学会从候选本身预测排序，新录音到来时只看候选、不做任何合成，直接打出每段的分数并取最高。论文为每个合成模型单独训练一个选择器。
输出指标各自衡量什么
可懂度用 Whisper large-v3 转写输出再与目标句比对，单条词错率封顶 100%，失败定义为原始词错率至少 50% 或输出长到 25 秒以上的失控生成。自然度用 UTMOS、DNSMOS P.835 总体分和 Audiobox 美学生产质量，其中 Audiobox 不参与任何选择，只做 held-out 评判，避免选择和评判用同一个预测器。相似度用 SpeechBrain 的 ECAPA-TDNN，算输出与 3 条锚定平均嵌入的余弦。
词错率 × 失败率： 词错率是用 Whisper large-v3 转写合成语音再与目标文本比对得到的错词比例，衡量是否说清楚；失败率是词错率至少 50% 或输出失控变长至 25 秒以上的输出占比，衡量彻底说坏的比例。两者方向都是越低越好，论文用相对随机选择的下降百分点报告增益。
UTMOS 规则 × Audiobox： UTMOS 规则是指选预测分最高的候选，即常用做法中按预测质量选提示；Audiobox 是指生产质量美学分数，在本篇所有选择器都不使用、只做事后评判的自然度指标。两者分工是前者参与选择、后者检验选择，前后用同一个预测器又选又评会高估自然度增益。
模型间偏好一致性如何校正偶然性
要判断 2 个模型是否喜欢同一提示，不能直接算候选排序的相关，因为每个提示的结果本身只用十几条输出估计，有噪声。论文把每个提示的输出分成两半，各算一半的平均结果，再算同一模型两半之间在录音内的 Spearman 相关，经 Spearman-Brown 公式换算为全量均值的可靠性，然后用它去除 2 个模型间的原始相关，得到校正后的一致性。
\[\rho^{\mathrm{corr}}_{ab}=\frac{\rho_{ab}}{\sqrt{r_{a}\,r_{b}}},\]该式中分子是 2 模型提示均值在录音内的 Spearman 相关在录音上的平均，分母是 2 模型全量均值可靠性的几何平均。可靠性越低，校正放大幅度越大。论文报告 Chatterbox 词错率可靠性最低，F5 相似度可靠性高，因此相似度的一致性更可信，词错率的一致性需要经此校正才能比较。
两个学习型选择器如何训练
描述符排序器先为每个提示算 21 个描述符，包括质量预测分、语速、停顿、能量、尾部静音、转写词数和 Whisper token 对数概率等，再学一个线性加权，用 ListNet 列表损失让同一录音的候选按合成结果排序。音频选择器不依赖这些描述符，它用冻结的 Whisper-base 编码器读提示音频，经线性投影到 256 维、两层 Transformer 和注意力池化得到提示向量，再与该录音平均提示向量的差拼接，由打分头输出 6 个头的分数。
训练时对同一录音的所有候选做 ListNet，批量 16 个录音，10 轮，AdamW，推理时对 5 个不同初始化的网络平均打分。选择用词错率名次头，因为可懂度是质量规则缺失的部分，而名次对少数灾难性输出不如平均词错率敏感。UTMOS 头同时训练，需要时可加权混合以换自然度。
描述符排序器 × 音频选择器： 描述符排序器是先算 21 个描述符再学线性加权的排序模型，需要跑质量预测、说话人模型和解码；音频选择器是冻结 Whisper-base 编码器加两层 Transformer 直接听音频打分的模型，不需要这些描述符。两者都用同一合成结果做排序监督，但输入和代价不同，音频选择器在全候选上增益更大。
数据、模型与防泄漏如何安排
录音来自 YODAS 英语 YouTube 视频，只保留主说话人主导、英语、3 到 30 分钟、全频带的视频，主说话人用说话人嵌入筛选，目标句和锚定与候选区至少相隔 2 秒，所有转写都用 Whisper large-v3 自动得到，模拟用户无转写的情况。训练、开发和测试录音无重叠，且用 ECAPA 余弦去掉与开发测试同声音的训练录音，交叉验证和自助区间都把同声音录音放在一起。
合成模型用 Qwen3-TTS 0.6B 和 1.7B、F5-TTS 0.3B 和 Chatterbox 0.5B，均用默认推理设置。Qwen 和 F5 同时读提示音频和提示转写，Chatterbox 只用提示音频。所有设计在训练集交叉验证上定好，选择用哪个头、与 UTMOS 规则的主比较都在测试集打分前固定。区间均为在录音上自助的 95% 区间，同声音一起重采样。
提示选择有多大空间，质量规则拿到多少
在 400 个训练录音上，试探选择显示选择空间明显存在。对 Qwen3-TTS，3 秒候选中试探选择相对随机降低词错率约三分之一，对 F5 约一半，自然度和相似度也有提升。组内相关显示同一目标句下输出差异有可观份额来自用了哪个提示而非随机种子，相似度上该份额更大，说明提示好坏有稳定成分、可从提示本身预测。Chatterbox 对可懂度不敏感，但自然度和相似度敏感；长提示相似度更高但彼此差异小、可选余地小。
质量规则只拿到其中一部分自然度增益，可懂度增益拿到很少，相似度基本不变。UTMOS 规则还在 19 个候选中 80% 选 3 秒提示，高于其数量占比。用同一预测器又选又评会夸大效果，Qwen 上 UTMOS 规则拿到试探选择 UTMOS 增益的 41%，但按 Audiobox 只拿到 18%，F5 上按 Audiobox 则没有增益，因此论文保留 Audiobox 做独立评判。
下表是在 400 个测试录音上各模型相对随机选择的词错率增益，单位为百分点，数值越高越好，比较了质量规则、训练集上选出的最佳单描述符、音频选择器和试探选择。表前已说明公平条件为同一录音内 19 个候选选一，指标方向为增益越高越好。
| TTS model | UTMOS rule | DNSMOS rule | best descriptor | audio selector | probe selection |
|---|---|---|---|---|---|
| Qwen 0.6B | 0.83 | 0.33 | 0.96 | 1.36a,b | 1.35 |
| Qwen 1.7B∗ | 0.28 | -0.25 | 0.44 | 1.49a,b,c | 1.86 |
| Chatterbox | 0.03 | -0.01 | 0.13 | 0.25b | 0.30 |
| F5-TTS | 0.97 | 1.19 | 0.66 | 2.64a,b,c | 3.00 |
从表中可见 F5 上音频选择器增益最大，Qwen 1.7B 次之，Chatterbox 可选空间本身很小。音频选择器在 3 个模型上超过质量规则，在 F5 和 Qwen 1.7B 上也超过最佳单描述符，试探选择仍是高代价参照。该表只回答词错率 1 维，自然度和相似度需结合后文看，不能据此认为自然度无代价。
试探选择 × 音频选择器： 试探选择是指对每个候选都先合成若干条测试句、按平均分选最优的参照做法，代价是每个新说话人都要大量合成；音频选择器是事先用别的录音的合成结果训练好，新录音只听音频打分、不合成。论文用试探选择衡量可选空间，用音频选择器实现低代价逼近它。
音频选择器在测试集上带来什么
对 Qwen3-TTS 0.6B 的 400 个测试录音，音频选择器相对随机降低词错率 1.36 个百分点，约 32%，与每个候选合成 12 条的试探选择相当，而选择时零合成，比预先指定的 UTMOS 规则多 0.54 个百分点，也超过 DNSMOS 规则和最佳单描述符。图 1 展示了 4 个模型上的这种对比，误差线为 95% 区间。
以下读图关注各模型上音频选择器相对预测质量和试探选择的词错率增益，纵轴为相对随机提示的增益，越高越好，Qwen 1.7B 沿用 0.6B 的选择器。
看图路径： 1. 先看横轴四个模型分组，每组内比较不同颜色柱子的高低；2. 再看音频选择器与 UTMOS 规则在 Qwen 与 F5 上的差距；3. 注意 Chatterbox 整组柱子都很矮，说明可选空间小；4. 看误差线长度，判断差距是否稳定
论文图 1。原论文 Figure 1:：“Our audio selector, a small network trained on a TTS model’s synthesis outcomes, picks prompts that lower WER more than choosing by predicted quality, without synthesizing anything.”。
该图确实可见 Qwen 0.6B、Qwen 1.7B 和 F5 上蓝色音频选择器柱高于橙色 UTMOS 规则柱，F5 差距最大；Chatterbox 各柱都很低，音频选择器仅略高于零。试探选择灰柱在 F5 和 Qwen 1.7B 上仍最高，但在 Qwen 0.6B 上与音频选择器基本持平。这支持在可懂度上学习型选择超过质量规则、接近高代价试探的判断，但仅在这些录音和模型设置下成立。
自然度方面存在权衡。按 UTMOS 看，选可懂度会放弃 UTMOS 规则的部分增益；但按 DNSMOS 和 Audiobox 看，规则自身增益和差距都只有 0.0 几分。听感测试 72 对中自然度均值偏向选择器但区间包含零，清晰度多数为相似，说明该规模难以分辨偶发错误的优势。加权 0.25 的 UTMOS 头可在保留 1.33 个百分点词错率增益的同时，在 DNSMOS 和 Audiobox 上追平规则，只有 UTMOS 自身仍偏好规则。
以下读图关注可懂度增益与自然度增益的权衡，横轴为词错率增益，纵轴为自然度增益，左为 UTMOS 评，右为 Audiobox 评，曲线为音频选择器混合不同权重 UTMOS 头。
看图路径： 1. 先区分左右面板：左为 UTMOS 评自然度，右为 Audiobox 评自然度；2. 看横轴词错率增益与纵轴自然度增益的权衡曲线走向；3. 比较橙色方块与蓝色圆点在两面板中的相对位置变化
论文图 2。原论文 Figure 2:：“Intelligibility gain against naturalness gain on the test (Qwen3-TTS 0.6B), by UTMOS (left) and by the held-out Audiobox judge (right).”。
该图确实可见左面板橙色 UTMOS 规则点靠上但靠左，蓝色音频选择器点靠右但靠下，曲线从右下向左上移动；右面板两点纵轴差距大幅缩小，说明换独立评判后自然度差距很小。这支持用同一预测器评判会夸大规则自然度优势的解释。
试探代价方面，图 3 显示试探选择随每个候选合成数从 1 增至 12 而增益上升，音频选择器零合成即达到约 12 次试探的水平。
以下读图关注试探合成量与增益的关系，横轴为每个候选的试探合成数，纵轴为词错率增益，蓝线和橙线为零合成的两条水平参照。
看图路径： 1. 看横轴每个候选的试探合成数从 1 增加到 12；2. 看灰色虚线如何从低于蓝线逐渐追上蓝线；3. 注意橙色横线代表 UTMOS 规则始终低于音频选择器
论文图 3。原论文 Figure 3:：“What probing costs (Qwen3-TTS 0.6B, test): WER gain over a random prompt of probe selection with 1–12 syntheses per candidate (19–228 per recording), with intervals, against the…”。
该图确实可见灰色试探曲线随合成数上升，约在 12 次处追上蓝色音频选择器横线，始终高于橙色 UTMOS 规则横线。这说明音频选择器把每录音 228 次合成的试探代价省掉，代价是事先需为该模型标注几十万条输出训练 1 次。
不同模型喜欢的提示是否相同
把为一个模型训练的选择器直接用于另一模型，Qwen 0.6B 的选择器在 1.7B 上拿到试探增益的 80%，在 F5 上拿到 51%，F5 的选择器向 Qwen 迁移最好。但每个模型上最好的仍是为该模型训练的选择器。相似度上模型高度一致，校正后相关 0.68 到 0.88；词错率上两 Qwen 一致 0.64，Qwen 与 F5 部分一致 0.39，Chatterbox 与两者基本不一致。
以下读图关注跨模型迁移与偏好一致性，左为迁移占被测模型试探增益的百分比，右上三角为相似度一致性，右下三角为词错率一致性。
看图路径： 1. 左图看行列：行是训练来源模型，列是测试模型，对角线为自身；2. 右图区分上三角相似度与下三角词错率的颜色深浅；3. 比较 Qwen 之间与 Qwen 和 Chatterbox 之间下三角数值的差异
论文图 4。原论文 Figure 4:：“Left: transfer between TTS models, as the WER gain of a selector trained on one model (rows) for another (columns), in percent of the second model’s probe-selection gain.”。
该图确实可见左图对角线附近深色高值，非对角也有中等迁移；右图上三角普遍深绿高值，下三角仅 Qwen 之间深蓝，Chatterbox 一行很浅。这支持相似度更多是提示本身属性、可懂度更多取决于模型如何使用提示的判断，是否读提示转写是分界之一。
下表比较不同候选集合下 Qwen 0.6B 相对随机的词错率增益，单位百分点，最后一列为音频选择器减 UTMOS 规则。表前问题是增益是否来自偏好某种长度，公平条件为同一集合内比较。
| candidates | audio selector | descriptor ranker | UTMOS rule | audio −- rule |
|---|---|---|---|---|
| all 19 candidates | 1.36 | 1.00 | 0.83 | +0.54† |
| only 3 s prompts | 1.37 | 1.34 | 0.80 | +0.57† |
| only 5 s prompts | 0.90 | 0.73 | 0.27 | +0.63† |
| only 10 s prompts | 0.64 | 0.46 | 0.06 | +0.58 |
| equal numbers of each length | 1.20 | 0.92 | 0.34 | +0.86† |
表中可见只在 3 秒、只在 5 秒、只在 10 秒或各长度均衡抽样时，音频选择器都领先规则，说明不是靠多选短提示。排除失败输出后、换 wav2vec 2.0 重评、换 YouTube 字幕重合成等检查也保留领先，细节在附录。单靠任一描述符与可懂度的录音内相关最高约 0.17，因此模型特有部分需从该模型结果中学习。
下表是提示属性与可懂度的录音内 Spearman 相关，越正表示该属性越高则错词越少，标记为区间不含零。比较问题是哪些直观属性真正对应可懂度。
| prompt property | Qwen 0.6B | Qwen 1.7B | Chat- terbox | F5- TTS |
|---|---|---|---|---|
| UTMOS | +0.04† | +0.05† | +0.05† | +0.09† |
| typical voice | -0.00 | -0.01 | +0.05† | +0.07† |
| ends in silence | +0.16† | +0.16† | +0.01 | +0.11† |
| transcript confidence | +0.10† | +0.10† | +0.03† | +0.10† |
表中可见读转写的模型上尾部静音长度和转写置信度为正相关，Chatterbox 上不明显；声音典型性只对 Chatterbox 和 F5 为正；UTMOS 相关都很小。这解释了为何质量分抓不住可懂度，也解释了迁移格局与是否读转写有关。该相关是相关性而非因果，不能据此剪静音即得同等增益。
候选主要差在噪声时结论是否还成立
在 LibriSpeech 干净朗读上人工加不同类型和信噪比噪声，每个选择从干净版和 6 种加噪版中抽取条件，用 Qwen 1.7B 合成，沿用 YouTube 上 Qwen 0.6B 训练的冻结选择器。此时候选之间主要差录音质量，与 YouTube 同录音内条件相近的情形不同。
下表比较该条件下相对随机的增益，词错率和失败为百分点，另有自然度、相似度和选中干净版的比例，随机选中干净版的概率为 14%。表前问题是噪声主导时质量规则与学习型选择器各拿走哪部分增益。
| selector | WER | fail. | UTMOS | sim. | clean |
|---|---|---|---|---|---|
| UTMOS rule | 0.21 | -0.05 | 0.550 | 0.113 | 79% |
| audio selector | 0.63 | 0.26 | 0.349 | 0.070 | 31% |
| + UTMOS head | 0.66 | 0.26 | 0.415 | 0.080 | 39% |
| probe selection | 0.42 | 0.18 | 0.570 | 0.165 |
表中可见 UTMOS 规则 79% 选中干净版，自然度和相似度增益最高，但词错率只增益 0.21 个百分点；音频选择器只 31% 选中干净版，词错率增益 0.63 个百分点且失败更少，自然度低于规则。加 0.25 权重的 UTMOS 头后可懂度保留并向规则靠拢自然度。这支持噪声主导时预测质量适合管自然度和相似度、可懂度仍需结果监督的判断，但仅在该加噪设置和模型下验证。
增益来自监督信号还是模型结构
交叉验证 1 次只改一处，列表损失换点回归、单模型不集成、跨候选注意力、加转写流、换编码器等，变化多在训练种子间波动约 0.1 个百分点内。Whisper-base 与大一个量级的 Whisper-large-v3 或非识别训练的 WavLM-base+ 相当，通用音频 CLAP 则增益很小。把监督换成复现候选自身的 UTMOS 或 DNSMOS 而不看合成结果，增益大约减半。训练量减至 25% 或只用一个种子的三分之一标注，增益小幅下降。
这说明关键是合成结果监督，即好提示由模型用它做出什么来定义，而非编码器大小或损失形式。消融在训练录音交叉验证上得到，不是测试集结论，数值波动与种子有关，不能理解为结构完全不重要。
这些结论在什么边界内才成立
研究只覆盖 4 个模型 3 个家族、英语 YouTube 和加噪 LibriSpeech，其他语言、其他录制条件和韵律维度如重音、表现力未评测。除听感测试外均为自动指标，听感测试 7 位听众、每对一个输出，规模不足以分辨选择器靠减少偶发错误的清晰度优势，只能说未发现自然度代价。
提示结果平均 15 条输出且词错率重尾，试探选择用 12 条估计也不是上限，选择器可能与其持平或超过。固定 30 秒预算和 3 到 10 秒长度，更长或拼接多段未研究。为一个模型标注需几十万次合成，约每个模型训练集 100 到 270 GPU 小时，是 1 次性成本，跨模型替代只部分探索。测试 400 个录音，选择器超规则的幅度随训练种子有波动。
复现第一步需要准备什么
复现先按附录切分 YODAS 对应分片，筛选主说话人、英语和全频带，固定 30 秒候选区、19 个候选、5 个目标句和 3 个锚定，转写统一用 Whisper large-v3 并做压缩比和语速的温度回退。用固定推理设置对每个候选合成 5 句乘 3 种子，再算词错率、失败、UTMOS、DNSMOS、Audiobox 和 ECAPA 相似度，得到提示级均值。
选择器训练用冻结编码器加小网络做 ListNet 排序，选词错率名次头，开发集定 UTMOS 混合权重。论文称接受后发布代码，当前没有可验证的作者资源可写为已公开，YODAS 录音可自行获取，语音模型、说话人音频和合成语音不出于伦理不分发。报告时需同时给出随机基线、质量规则和试探参照，并用录音级自助区间，同声音一起重采样。
什么时候值得尝试，还缺什么验证
当同一说话人有较长录音、目标句事先未知、希望 1 次选定提示且在意说清楚时，值得尝试为所用模型训练或迁移一个只听音频的选择器，尤其对 F5 和 Qwen 这类读提示转写的模型。当候选主要差在噪声且首要目标是自然度和相似度时，预测质量规则更直接，可懂度仍需结果监督或混合 UTMOS 头。
还缺的验证包括更少标注能否稳定训练、跨语言和真实多设备噪声下的表现、对韵律和上下文重音的影响，以及基准中固定单提示带来的模型间比较偏差有多大。选择让克隆更易用但主要改善可懂度而非相似度，使用公开 CC-BY 语音仍需注意并非说话人同意被克隆，合成语音应仅内部评测。
📎 论文与评分元数据
排名：前50% | 文档类型：方法研究 | 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