CrowdForge：当观众同时指挥 AI 音乐与混合现实舞台时会发生什么

📄 CrowdForge：当观众同时指挥 AI 音乐与混合现实舞台时会发生什么

英文题目：CrowdForge: Effects of Audio and Visual Audience Participation Modalities on Agency, Collaboration, and Engagement in AI-Mediated MR Performances

评分：5.7/10 | 创新 1.2/2 | 技术严谨 1/1.5 | 实验充分 0.9/1.5 | 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 1/1.5

👥 作者与机构

• Torin Hopkins：机构信息未能在本次解析中与作者逐人可靠绑定
• Shih-Yu Ma：机构信息未能在本次解析中与作者逐人可靠绑定
• Zander Trafton-Hancock：机构信息未能在本次解析中与作者逐人可靠绑定
• Ellen Yi-Luen Do：机构信息未能在本次解析中与作者逐人可靠绑定
• Luca Turchet：机构信息未能在本次解析中与作者逐人可靠绑定

📌 核心摘要

现场演出常是单向的，观众缺少易懂又能保持音乐连贯的多人协作方式，难点在于让高层偏好变成可感知的演出变化。CrowdForge让观众在每套演出前用手机网页为音频、视觉或两者投票，聚合看板汇总结果后再驱动音乐与场景生成，使观众选择成为可听可见的演出成分。网页界面负责收集滑块与下拉投票并聚合成目标流派与配器等请求，再以OSC消息同时发给音乐生成、Ableton Live控制与Unity渲染，完成后一步的聚合参数成为后一步生成的输入。Llama-Z语言模型按该请求自回归生成多声部MIDI，经控制器拷入Ableton Live的Session轨道，由DJ控制速度、调式与效果并与吉他手即兴合演，实现从投票到可演奏乐曲的转换。Unity按聚合服务器的OSC更新环境、角色外观与舞步，并由佩戴Meta Quest头显的演示者投屏呈现，使同一投票同时落到声音与画面。两场共19名观众、每条件约7分钟演出后的1-9分自评问卷中，结合条件在效价指标上效应量r为0.80（p=0.003）显著高于5分中性基线，而纯视觉条件未显著超过该基线。同一问卷设置中，结合条件在唤醒度指标上效应量r为0.76（p=0.004）显著高于中性基线，纯音频条件效应量r为0.84亦高于该基线而纯视觉未超过基线，结论适用于小规模共位演出与回合开始时投票的设置，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.youtube.com/watch?v=nbGJMI_i9CU — 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

现场演出里观众到底能改变什么

传统现场音乐大多是单向的：台上演，台下听。参与式音乐想反过来，让观众的意图也进入创作过程。技术中介的观众参与研究的就是这个中间层，用灯光、手持设备、手机投票、可视化或生成式系统，把观众零散的想法传给表演者或直接改变声音与画面。

对刚进入音频领域的研究生来说，关键是区分交互动作与心理效果。点一下手机投票是一个动作，能动感是观众事后觉得我真的影响了演出吗，投入感还包括情绪上的愉悦与唤醒，以及是否觉得和周围人一起在做一件事。动作好设计，感受难保证，这正是本文的起点。

技术中介的观众参与 × 能动感： 技术中介的观众参与指观众经由联网界面影响现场演出的组织方式，能动感指观众自己觉得多大程度上影响了演出；前者是手段，后者是主观效果，本文用问卷与访谈检验手段是否真的带来了这种感受。

已有框架谈了模态，为什么还要做这项实验

论文回顾了两条线。一条是 Hodl 与 Turchet 归纳的技术维度，列出灯光、物理装置、传感器、手机等实现方式，说明不同技术对应不同的设计动机。另一条是 Wu 等人提出的 4 个维度：能动感、参与模态、联网程度、可扩展性，并指出从观众与表演者反馈看，能动感、参与模态与界面设计最突出。

缺口在于，参与模态被反复提到，但很少有人在同一场演出里系统比较音频参与与视觉参与各自带来什么。已有系统有用投票给表演者提示信息，有用采样改变音乐内容，也有尝试 AI 生成音乐与混合现实，但多是展示单个系统，缺少对听觉与视觉两种输入通道在能动感、协作与投入感上差异的受控观察。CrowdForge 就是为补这个缺口而搭的演出范式。

论文要回答的两个具体问题

第一个问题是，不同的音频与视觉参与模态如何影响观众在现场音乐演出中的能动感、投入感与协作感。第二个问题是，如何在让大众容易上手与让他们做出有意义的创作贡献之间取得平衡。

这里容易误解的是，参数多不等于贡献大。如果给了几十个旋钮，但观众听不出拧了哪个起了什么变化，贡献感反而下降。论文把可及性理解为界面直观、高层参数一选即得，把有意义理解为选择能在演出中被听见或看见，并能作用于真人乐手。后续的跳过率与访谈都是围绕这对矛盾展开的。

音频参与模态 × 视觉参与模态： 音频参与模态指投票决定流派、速度、调式、真人吉他音色与 AI 乐器效果等声音参数，视觉参与模态指投票决定虚拟环境、角色外观与舞者动作；论文比较单独给音频、单独给视觉、两者都给三种条件，看它们在能动感、情绪与社会临场感上的分工。

CrowdForge 一晚演出的完整链路是什么

把一次演出想象成 3 段各约 7 分钟的乐段。每段开始前，观众在手机网页上投票。音频条件只投声音参数，视觉条件只投画面参数，两者并存条件两边都投。投完后系统聚合成一个集体配置，大约 10 秒后 DJ 开始播放按此配置生成的片段，吉他手即兴配合，持续约 7 分钟。舞台后方同时投影虚拟场景与聚合结果看板，还有 1 位戴 Quest 3 的演示者把第一人称视角投出来，让全场看到虚拟舞台与真实舞台叠在一起。

下面这张总览图把三件事放在一起，值得先建立整体印象，再拆每个部件。左侧是聚合看板，中间是真实舞台，右侧是虚拟舞台，观众输入最终同时改变声音与画面。

读图说明：这张三联图对应论文的工作流示意，左为投票聚合结果的投影样式，中为真实演出照片，右为虚拟乐队与环境的渲染效果，观察时重点看输入如何同时走向声音与画面。

看图路径： 1. 先看 A 面板的聚合看板上有哪些音乐与视觉条目；2. 再看 B 面板舞台上真人乐手、投影聚合屏与虚拟场景的位置关系；3. 最后看 C 面板虚拟舞台上乐手与舞者的站位与环境

论文图 1。原论文 Fig. 1:：“Overview of the audience participation workflow in CrowdForge.”。

图中确实可见，左侧看板列出了音乐感觉、调式、真人吉他音色、速度、环境、乐器混合与舞者动作等条目，中间照片显示演示者、DJ 与吉他手并排、身后有两个大投影，右侧渲染显示多名虚拟乐手与舞者在棚架舞台上按网格站位演出。这说明观众的一次投票不是只改一个音符，而是同时配置音乐走向与舞台世界的外观。

手机投票与聚合服务器如何把零散选择变成演出指令

观众入口是一个网页界面，有下拉菜单选流派与调式，有滑杆选速度，有开关选是否加入某件 AI 乐器及其效果，还有真人吉他音色的选项。视觉侧则是选环境主题、9 个角色的外观与 2 位舞者的动作。每人投完后，服务器在本地局域网内汇总，生成聚合看板并广播出去。看板是公开的，所有人能看到集体结果与各自起的昵称，既是确认连接正常，也是一种自我表达。

信号流向可以用下面这张系统图来跟。从左到右是观众手机到服务器，再分叉到声音与视觉两路，最后在投影与乐手处汇合，理解分叉与汇合点是理解后续代价的关键。

读图说明：该图用极简图标表示从投票到声音与画面引擎的流向，重点观察服务器之后的两条分支以及它们在投影端的再次交汇，不要把图标细节当成真实设备照片。

看图路径： 1. 沿观众手机到服务器的箭头确认投票入口；2. 比较服务器分出的两路：一路到 AI 加 Ableton，一路到 Quest 3；3. 看两路如何在投影与乐手处汇合

论文图 2。原论文 Fig. 2:：“System diagram and signal flow illustrating the control audience members had over elements of the performance (from left to right).”。

图中确实可见，左侧多人手机图标指向标有 Server 的节点，之后一路向上指向标有 AI 加 Ableton 的电脑，再指向吉他图标与乐手，另一路向下指向 Quest 3 再指向投影仪，而 AI 加 Ableton 也有一条线直接指向投影。这对应正文描述：聚合服务器同时向 Ableton Live 控制接口、因果多轨 MIDI 生成模型与 Unity 3 维渲染发送消息。代价是异步表单投票，一次投完要等整段演出，观众看不到实时票数变化，后文访谈中多人提出想看实时投票趋势。

生成式音乐 × 混合现实演出环境： 生成式音乐指由 Llama-Z 模型按观众选定的流派与配器现场生成多轨 MIDI 并经 DJ 播放的部分，混合现实演出环境指由 Unity 按观众投票切换虚拟乐手、舞者与舞台主题并投影的部分；两者共享同一投票聚合结果，但分别作用于听觉结构与视觉呈现。

AI 音乐分支：从流派选择到 Ableton 里可播放的片段

音乐生成用的是 Llama-Z，论文称之为在 Llama-3.2-1B 基础上做领域适配的因果语言模型。输入的音乐用 REMI-z 一类符号化方案表示，特点是能生成多件乐器彼此协调的完整编配，且允许观众去掉某件乐器后仍保持连贯，论文还加入了流派标记。数据来自洛杉矶 MIDI 数据集与 Slakh2100 中共 20000 段采样，预处理时丢弃非 4/4 拍的片段，并用 Krumhansl-Schmuckler 相关算法检测调性，把和声内容统一移到 C 大调或 A 小调，以降低数据分布复杂度。

演出时，网页把目标流派与配器经开放声音控制协议发给模型，模型自回归生成多轨 MIDI 文件。控制器脚本作为有状态代理，直接调用 Ableton Live 接口，设置速度与调式等参数，并把本地 MIDI 文件拷入 Session 模式的可触发轨道。DJ 看到新片段被程序化填入后，手动挑选与叠加，操作方式类似平时播放预制 Loop，但素材是刚按观众要求生成的。吉他手则听着这些片段即兴。

这个设计的取舍很明显。高层参数让非音乐人也能参与，但细碎的音色组合未经穷举测试，论文举例 5 件乐器各 5 种状态可达 3125 种组合，叠加后容易出现不协和。DJ 在自述中说某些流派下组织乐段受限，吉他手也说底层轨道听久了有重复感，都指向生成多样性与可控性的矛盾。

混合现实分支：虚拟乐队与舞台如何跟着投票切换

视觉渲染在 Unity 中实现，跑在 Meta Quest 3 上。聚合服务器发来近实时控制消息，切换角色外观与环境主题。虚拟合奏包括 2 名舞者、2 名鼓手、1 名键盘手、1 名小提琴手、1 名长笛手、1 名吉他手与 1 名贝斯手。每个角色监听来自 Ableton 控制器的消息，做对齐音乐的动作，例如敲对应鼓垫、按键盘对应区域。舞者则结合聚合服务器的风格指令与 Ableton 播放时序做编舞，保持与音乐同步。

本次演出只有 1 名演示者戴头显，其视角被投到大幕上，观众并非人手一副眼镜。演示者的存在是为了给全场一个动态的人类视角，同时看到真实与虚拟空间。视觉参数包括 haunted forest、mars scape、laser grid 3 种环境，角色外观有吸血鬼、狼人、驼鹿兽人等 10 种，舞者动作有嘻哈、霹雳舞、拉丁与派对 4 种。视觉元素可并存而不像声音那样叠加成噪声，这是后文讨论中视觉反馈更清晰的结构原因。

这篇论文训练了什么，没有训练什么

论文没有报告为本场演出从零训练大模型的损失曲线或超参数，也没有做消融式的模型训练对比，应理解为一次系统集成与现场实验研究，而非模型预训练论文。已发生的计算工作是数据规范化与领域适配后的推理调用：把 20000 段多轨数据统一为 4/4 拍与 C 大调或 A 小调，再用适配后的因果模型按观众指令做条件生成。

缺口要说清。原文未披露训练轮数、优化器、学习率、冻结哪些层、推理延迟与生成时长分布，也未报告符号化词表大小与生成失败率。复现时不能从模型名字反推实现，只能按论文给的链路重搭：同样的拍号过滤、同样的调性归一、同样经开放声音控制协议触发、同样在 Ableton 中人工挑选播放。无训练不等于输出确定，同一组投票在不同次生成中仍可能得到不同片段，DJ 的人工挑选也是不确定性来源之一。

两场演出、三组条件与三类数据是如何组织的

研究在黑箱剧场式媒体工作室进行，经科罗拉多大学伦理审查。共两场演出、19 名互动观众，第一场 5 人、第二场 14 人，第一场先做音频条件，第二场先做视觉条件，每场内含音频、视觉、两者并存 3 段各约 7 分钟。观众面向表演者，演出前确保连上局域网，每段开始前在手机上投票。

测量分 3 类。行为数据来自应用日志，17 人有效，2 人连接故障，看每项参数的跳过率。问卷 14 人完成，5 人未填，用能动感量表、自评人体模型的控制感、愉悦度、唤醒度，以及社会临场感与对具体音频元素的影响力评价，量表为 1 到 7 或 1 到 9，中线分别为 4 与 5，统计用 Friedman 整体检验加 Wilcoxon 配对与单样本检验。访谈 6 人自愿留下，每人 10 到 20 分钟，另有 2 位乐手的书面自述。样本以男性为主，平均年龄 28.89 岁，标准差 9.89，这些人口特征限制了推广范围。

要理解跳过率与影响力评分，先看 3 种条件下开放的参数集合，公平之处是同一套聚合与演出流程，只改变开放哪一侧参数。

音频侧 14 项覆盖流派感觉、速度 90–140 BPM、大小调、真人吉他音色、五件 AI 乐器的纳入与各自效果，视觉侧 14 项覆盖环境、9 个角色外观与 2 位舞者动作，两者并存即 28 项全开。参数数量多但并非同等重要，后文行为数据显示宏观参数很少被跳过，而 AI 乐器的细碎效果器在全开时跳过率高达 30% 到 40%，这为可观察性解释提供了行为证据。

观众用行动投票：哪些参数被认真选，哪些被跳过

跳过率是最直观的行为证据。音频条件下速度跳过率为 0，流派与真人吉他音色为 6.7%，而无关的视觉项几乎全被忽略，角色、动作与环境跳过率达 93.3%。视觉条件下角色与动作跳过率仅 11.1%，说明单模态时观众会聚焦在有效域。

两者并存且 28 项全开时，观众并未雨露均沾，而是优先保宏观项：速度仍为 0 跳过，视觉角色与动作在 7.7% 到 15.4%，流派与环境为 15.4%，而 AI 乐器的具体效果选择跳过率在 30.8% 到 38.5% 之间。换句话说，给更多旋钮后，观众把时间留给一听就变、一看就变的参数。

下表对照 3 种条件下哪些参数被实际操作、哪些被大量跳过，行为上的投入是否与主观影响力评价一致，跳过率越低表示越被重视。

行为与主观相互印证。速度、流派、真人吉他音色在影响力上显著高于中线，也正是很少被跳过的项，而 AI 细节在影响力上未显著高于中线，在全开时也被大量跳过。问卷中能动感总体无差异，控制感、愉悦度与唤醒度的提升主要出现在含音频的条件，社会临场感在视觉与两者并存之间有配对差异。限制是行为样本仅 17 人，且两场人数不均、顺序不同，第一场先音频、第二场先视觉，顺序效应无法排除，因此只能说在本次共置小样本中观察到一致趋势，不能推广为所有观众在所有曲目下都会如此。

可观察性 × 宏观结构控制： 可观察性指观众能否在演出中听出或看出自己的选择起了作用，宏观结构控制指对速度、流派、是否加入某类乐器这类决定整体走向的参数的控制；论文认为后者因为容易被听出，所以更容易带来能动感，而细碎的效果器参数因难以分辨而常被跳过。

情绪与控制感：音频带来了什么，视觉缺了什么

能动感量表本身在 3 条件间没有总体差异，Friedman p 为 0.721。但自评人体模型的控制感分量显示，音频条件与两者并存条件显著高于中线 5，音频 p 为 0.006、效应量 r 为 0.73，两者并存 p 为 0.025、r 为 0.60，均为大效应，而纯视觉条件 p 为 0.612，未高于中线。音频与视觉直接比较 p 为 0.075、r 为 0.48，仅边缘显著，说明不能说音频在统计上碾压视觉，只能说含音频的条件把控制感与情绪带离了中性状态。

愉悦度与唤醒度模式相同。音频与两者并存条件显著高于中线，愉悦度 p 分别为 0.021 与 0.003，唤醒度 p 分别为 0.002 与 0.004，效应量均在 0.6 以上，而纯视觉条件未显著高于基线，但音频与纯视觉直接比较 p 大于 0.32，不显著。社会临场感整体边缘显著，Friedman p 为 0.092，两者并存高于纯视觉，p 为 0.015、r 为 0.65，但 3 条件均未显著高于中线 4。

读图说明：下面柱状图横轴为 3 种条件，纵轴为 1 到 9 的平均分，红色虚线为中线 5，蓝色为控制感、绿色为愉悦度、红色为唤醒度，重点看哪些柱子带星号高出红线。

看图路径： 1. 对照红色中线 5 比较音频、视觉、两者并存三组的柱高；2. 注意音频与两者并存组上方的星号与视觉组的缺席；3. 比较蓝色控制感、绿色愉悦度、红色唤醒度的相对高度

论文图 4。原论文 Fig. 4:：“Indicates dominance, valence, and arousal scores on the self-assessment manikin, comparing Audio, Visual, and Both conditions.”。

图中确实可见，左侧音频组与右侧两者并存组的三根柱子都明显高于红线且带星号，中间视觉组三根柱子贴近红线且无星号，误差线在视觉组更长。这帮助理解论文的措辞：音频相关条件提升了情绪投入，但这是在与中性基线比时成立，在音频与视觉直接对打时并未达到显著，不能夸大为音频全面优于视觉。

社会临场感 × 投票聚合： 社会临场感指觉得与其他观众在一起共同创作的连接感，投票聚合指把每人手机上的选择合并成一个集体配置再送入音乐与画面引擎；聚合让大规模参与成为可能，但也掩盖了个人贡献，这是社会临场感难以高于中线的原因之一。

观众与乐手访谈揭示的对抗与和解

行为与量表之外，访谈呈现了更有张力的侧面。不少观众承认故意选极端选项来证明自己的影响力，有人选最吓人的声音，有人好奇系统何时会崩。这种边界试探一为测试系统极限，二为在聚合中放大个人权重，目标不是最悦耳，而是看乐手能否接住。

吉他手自述几乎失去传统控制感，感到观众在推向混乱，用故意别扭的组合考验他的适应上限。DJ 则忙于收拾输出以维持可演性，在某些流派下觉得组织乐段受限。转机在于，当乐手成功化解观众制造的难题，出现 coherence 的瞬间，双方都感到强烈的创造性回报。吉他手说把细腻氛围与重型失真拼在一起，是平时不会尝试的组合，这种被迫的风格杂交把他推到习惯范围之外。

这段动态解释了为什么论文不把对抗视为失败。在可观察的人类反应面前，观众感到自己的选择真的改变了音乐走向，乐手也在高约束下获得新的语汇。但这依赖真人乐手可见的适应过程，如果换成全自动播放，对抗可能只剩噪声，这是理解结论边界的关键。

拆开音频参数看：为什么只有真人吉他音色同时拉高两项评分

论文进一步问，音频内部谁在起作用。影响力评价中，真人吉他音色、音乐感觉、调式、是否纳入 AI 乐手四项显著高于中线 4，其中吉他音色 p 为 0.002、r 为 0.85，音乐感觉 p 为 0.002、r 为 0.82，调式 p 为 0.020、r 为 0.62，纳入 AI 乐手 p 为 0.032、r 为 0.57，整体 Friedman p 为 0.016。但能动感评价中，只有真人吉他音色显著高于中线，p 为 0.007、r 为 0.72，调式、速度与 AI 效果器均未显著高于中线。

访谈给出了机制解释。多人说大而笼统的元素有反应，细碎设置在混音里听不出，难以追踪每个参数。聚合还可能把不兼容的选择搅成一锅粥，有人形容空灵氛围配上不搭的音色成了杂乱的音乐想法。观众想要的是能直接干预编配甚至实时调参，而视觉变化则被形容为更可控、更显眼。

读图说明：该图横轴为 6 组音频元素，纵轴为 1 到 7 分，红色虚线为中线 4，红色柱为影响力、蓝色柱为能动感，观察时从左到右看两类柱子如何同步回落。

看图路径： 1. 横向比较六组音频元素中红色影响力柱的高度变化；2. 注意只有最左侧真人吉他音色的蓝色能动感柱显著高于红线 4；3. 观察右侧速度与 AI 效果器两组柱子贴近中线的形态

论文图 6。原论文 Fig. 6:：“Indicates perceived influence and agency on the performance when selecting specific audio elements.”。

图中确实可见，最左侧真人吉他音色的两根柱子最高且均带星号，往右音乐感觉、调式、是否纳入 AI 乐手的红色柱仍高于红线但高度递减，速度与 AI 效果器两组柱子基本贴住红线。这说明论文的层级结论：越是宏观、越是作用于真人乐手的参数，越容易被感知为有影响，而 AI 音色细节的贡献被混音稀释，这是设计时应优先保证高可观察参数的直接证据。

这些结论在什么条件下才成立

样本与设计限制必须先讲。问卷仅 14 人，行为 17 人，访谈 6 人，且第一场 5 人、第二场 14 人，人数不均且顺序不同，统计功效不足，顺序效应与群体差异混杂。人口以男性为主，平均年龄 28.89 岁，不能代表更广泛的观众。社会临场感 3 条件均未高于中线，说明异步投票并未真正带来共在感，两者并存优于纯视觉也只是相对差异。

模态可比性也有缺口。音频直接作用于真人吉他手与 DJ 的演奏，视觉只改变虚拟角色与环境，不直接改变真人表演，论文自己也承认这让两者的可比性打折扣。未来若加入真人舞者即兴，视觉对真人的影响才对等。场所限于同场共置与单视角投影，未测试人手一副头显或远程参与，参数数量与观众规模的配比关系也未建模。把结论理解为在小规模、同场、表单投票、有人类乐手兜底的条件下观察到的趋势，才是准确的。

如果要复现，第一步做什么，需要补哪些验证

值得尝试的场景是教学演出或工作坊：观众非音乐人、曲目允许试错、有真人乐手能实时回应，且你想比较不同输入通道的分工。这时优先保证高可观察参数与清晰反馈，而不是堆参数数量。

复现第一步是搭通最小链路：一台本地服务器收手机投票，一套聚合规则输出集体配置，一路经开放声音控制协议触发条件生成并导入 Ableton 手动播放，一路经同协议切换 Unity 场景并投影。先用 3 段短乐段验证 10 秒内出声、画面切换可见、聚合看板可读，再补全效果器细节。数据侧按原文做 4/4 拍过滤与 C 大调或 A 小调归一，生成侧固定流派与配器输入格式，缺失的训练细节不要猜，直接记录你所用模型的版本与采样参数。

还需补的验证包括：更大样本与平衡顺序，实时投票与连续调参的对照，真人舞者条件下的视觉影响力，以及远程与个体头显条件下的社会临场感。作者资源方面，论文脚注给出演出录像链接，经核验当前可访问，但这只证明论文提到的第三方录像可看，不等于作者已开源代码或模型，复现时应按自行搭建来规划。

一句话总结与容易产生的误解

综合来看，CrowdForge 的贡献是一个可实际演出的双通道参与范式，以及一组行为、问卷与访谈相互印证的观察：在本次设置中，可观察性是能动感的主要来源，音频驱动情绪唤起并通过真人乐手放大影响，视觉以并存不打架的方式提供清晰反馈，两者并存最能兼顾感受与确认。

3 个常见误解需要澄清。第一，参数多不等于能动感强，细碎 AI 参数常被跳过，设计应做减法保宏观项。第二，音频显著高于中线不等于音频显著优于视觉，直接比较多项未显著，不能写成全面胜负。第三，观众选极端不是捣乱证据，而是可观察性不足时的补偿策略，当人类乐手可见地接住挑战，对抗会转化为投入与新的音乐语汇。记住这些边界，这篇论文的方法才能被准确复述与合理借用。

⚖️ 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 2026-11-04 语音/音乐/音频论文速递