📄 视听噪声下深度网络与人脑语音表征如何对齐

英文题目:Representational Alignment between Deep Neural Networks and Human Brain in Speech Processing under Audiovisual Noise

评分:5.5/10 | 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 0.3/0.5 | 工程/实践 0.5/1.5

👥 作者与机构

  • Cheng Luo:机构信息未能在本次解析中与作者逐人可靠绑定
  • Jian Zhu:机构信息未能在本次解析中与作者逐人可靠绑定
  • Zhoujian Sun:机构信息未能在本次解析中与作者逐人可靠绑定
  • Yunyi Qi:机构信息未能在本次解析中与作者逐人可靠绑定
  • Yu Qi:机构信息未能在本次解析中与作者逐人可靠绑定
  • Wenhui Sun:机构信息未能在本次解析中与作者逐人可靠绑定
  • Wenyuan Yu: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

视听噪声下的语音理解需要同时处理目标语音包络、背景噪声以及词 onset 与可预测性等语言信息,难点在于人脑的声学加工与语言加工交织在同一段脑电信号里,难以直接对应到网络的不同层。论文先用带时滞的神经编码模型拟合脑电,再用该模型单独生成只含语音包络、噪声包络、词 onset、词 surprisal 的模拟响应,随后计算模拟响应与 AV-HuBERT 各层嵌入之间的表征相异矩阵相关。比较发现浅层嵌入更接近声学特征的模拟响应,深层嵌入更接近语言特征的模拟响应,微调把噪声表征提前到浅层并加强中深层的语言表征。与已有直接拿整体脑电与整体嵌入做相关的方法相比,关键差异是先按特征分解脑侧信号,再分特征做跨层对齐,从而能区分声学对齐与语言对齐。在视听一致噪声条件下,微调把自动语音识别准确率从预训练模型的 0% 提升到 77.14%,为微调增强对齐的解释提供了任务侧依据。结论适用于英语材料、0 dB 信噪比和 AV-HuBERT BASE 结构,视听不一致条件、其他架构与语言尚未验证。原文未披露训练、推理或部署成本。

🔗 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

人脑在噪声中听懂语音要保留什么信息

这篇论文研究的输入是带真实场景背景声的英语语音,加上与噪声有关但与目标语音无关的背景视频。听者的目标是在 0 dB 信噪比下仍然理解语音内容,输出是每段语音后的二选一内容判断。必须保留的信息有两层,一层是声音能量随时间起伏的声学细节,包括目标语音和背景噪声各自的包络,另一层是词在哪里出现、当前词在上下文中多难预测的语言信息。

对刚入门的读者来说,关键是把声学跟随和语言理解分开。声学跟随只要求大脑或模型能跟踪能量变化,不需要知道词义;语言理解则要求把连续声音切成词,并结合上文评估词的可预测性。噪声的困难在于两者混在一起,能量包络里既有语音也有噪声,如果早期不能把噪声的影响控制住,深层的语言加工就会被干扰。论文正是要看深度网络的分层表征是否也呈现这种从声学到语言的递进。

已有研究把网络层级对应到听觉通路的缺口

此前不少工作发现网络中间层最能预测初级听觉皮层活动,深层更能预测非初级皮层活动,浅层嵌入更受声学特征预测,深层更受语音学特征预测。这提示网络层级与从耳到脑的上行听觉通路存在对应,而上行通路又被认为对应从声学到语言的加工。

但原文指出两个缺口。第一,以往多是把网络层级直接对应脑区,没有在脑侧和模型侧同时区分声学加工和语言加工,缺少直接证据。第二,以往多只看为特定任务微调好的模型,没有比较微调前后对齐如何变化。此外,已有对齐研究多用纯音频语音识别,而真实场景常伴随视听噪声。AV-HuBERT 这类能融合音频与视觉表征的视听语音识别框架,为在更自然条件下检验对齐提供了工具,但此前很少用于脑对齐分析。

论文要回答的具体对齐问题

论文把问题限定为在视听噪声下,AV-HuBERT 的 12 层 Transformer 嵌入与人脑声学到语言加工之间是否存在层级对齐,以及微调如何改变这种对齐。具体要检验的是浅层嵌入是否更像大脑对语音包络和噪声包络的响应,深层嵌入是否更像大脑对词起始和词惊奇度的响应。

这里的检验条件很具体。脑数据是 20 名英语母语者在听 32 个带噪语音并看背景视频时记录的 64 通道脑电,模型输入是同样的音视频,比较只在一致视听条件下系统展开,不一致条件作为对照。论文不主张网络与大脑计算完全等价,而是用表征相似性来检验在相同刺激下是否出现相似的层级分工。

从刺激到相似性分数的整体流程

沿着一个语音片段走一遍流程会更清楚。同一段约 1 分钟的带噪语音和背景视频,一路送入 AV-HuBERT,另一路作为被试实际听看的刺激并记录脑电。模型侧对每帧抽出每层的 768 维嵌入向量,经主成分分析降到 205 维并保留 90% 以上方差;脑侧则用神经编码模型把连续特征映射到每个通道的脑电。

随后两侧都转成表征相异矩阵。对 16 个语音片段,两两计算嵌入或脑响应的欧氏距离,得到 16×16 矩阵,比较时只取上三角。模型矩阵按层计算,脑矩阵按被试和通道计算,两者之间算 Spearman 相关,得到每层、每被试、每通道的相似性。原文共得到每种条件 15360 个相关值,即 12 层乘 20 被试乘 64 通道。

下图是理解分工的关键,先看模型与脑电两条主路径如何分别形成矩阵再汇合比较。

表征相异矩阵 × Spearman 相关: 表征相异矩阵是对 16 个语音片段两两算欧氏距离得到的 16×16 矩阵,分别从模型嵌入和脑响应算出;Spearman 相关则是比较两个矩阵上三角元素的秩相关。矩阵把不同模态的信号转成可比的几何关系,相关则把几何关系的相似程度量化为对齐指标。

看图路径: 1. 先看上支路音频经 FFN 与视频经 ResNet 汇入融合模块再进 12 层 Transformer 的路径;2. 再看下支路四种特征如何进入神经编码模型并产生模拟响应;3. 最后看两侧分别算欧氏距离矩阵再算相关得到头皮地形的汇合点

原论文 Figure 1:Schematic of analysis framework for computing representational similarity between DNNs embeddings…

论文图 1。原论文 Figure 1::“Schematic of analysis framework for computing representational similarity between DNNs embeddings and neural responses.”。

该示意图上半显示音频经前馈网络、视频经改进 ResNet 抽特征,经融合进入 12 层编码器,再经主成分分析压缩到每段 1200 个时间点;下半显示 4 种特征进入神经编码模型,用最大化实际与模拟响应相关来估计时间响应函数,再对模拟响应算矩阵;右侧显示两类矩阵算相关并画成头皮地形。它帮助确认比较的不是原始波形,而是刺激之间关系的几何结构。

四种刺激特征各自刻画什么

声学特征包括语音包络和噪声包络。做法是对目标语音波形和噪声波形分别做全波整流得到宽带幅度包络,再带通滤波到 1 至 10 Hz 并重采样到 25 Hz,与模型嵌入采样率对齐。它们刻画的是能量起伏,数值高表示该时刻声音能量大。

语言特征包括词起始和词惊奇度。词起始用 Montreal Forced Aligner 对齐得到,在词出现的时间格放脉冲;词惊奇度用 GPT-2 算当前词给定上文的条件概率的负对数,再把该值加权到词起始脉冲上。数值大表示该词在上下文中越难预测。

语音包络 × 噪声包络: 语音包络和噪声包络都是宽带幅度包络经 1 至 10 Hz 滤波得到的声学特征,前者跟踪目标语音的能量起伏,后者跟踪背景声的能量起伏。两者分开建模才能区分大脑和模型是在跟随目标语音,还是在处理背景噪声,组合起来就构成了本文的声学层面的对照。

词起始 × 词惊奇度: 词起始只标记每个词出现的时间点,是词汇切分层面的语言特征;词惊奇度则用 GPT-2 算出当前词在上下文中的负对数条件概率,再加权到词起始时刻,反映可预测性。两者搭配可以区分大脑和模型是对词边界敏感,还是对语义可预测性敏感。

这种四特征设计的作用是让后续比较可以分层。声学比较回答模型是否像大脑一样跟踪声音能量,语言比较回答模型是否像大脑一样对词边界和可预测性敏感。

神经编码模型如何分离出特定层面的脑响应

神经编码模型用的是多元时间响应函数,本质是带 L2 正则的最小二乘回归。每个通道的脑电被建模为多种特征在不同时延上的线性组合,时延范围是 -200 ms 到 800 ms,正则参数经 10 折交叉验证选为 0.01,以实际与模拟响应之间的 Pearson 相关最高为准。训练时每段刺激去掉首尾 1 秒以避免开头结尾效应。

估计出回归权重后,模拟特定特征的响应只需做卷积。对选定的某一种特征序列与对应权重在 0 至 800 ms 时延上求和,得到只由该特征驱动的预测脑电。语音与噪声包络在模拟前做 z 分数归一化。这样得到的 4 种模拟响应,分别代表大脑中与语音能量、噪声能量、词边界、词可预测性相关的成分,后续分别与模型嵌入比较。

神经编码模型 × 模拟神经响应: 神经编码模型是把时间平移后的刺激特征线性映射到每个脑电通道的多元时间响应函数,模拟神经响应则是只输入某一种特征与对应权重卷积得到的预测信号。前者是估计映射关系,后者是利用该映射分离出特定加工层面的脑活动,以便与模型嵌入逐特征比较。

这种分离的代价是线性假设和通道独立建模。它假设各特征对脑电的贡献可以线性叠加,不能刻画强非线性交互,但好处是可以在同一套权重下逐特征生成可比的模拟信号。

预训练与噪声微调各自做了什么

本研究没有从零训练新结构,而是沿用 AV-HuBERT BASE 结构,包括前馈音频特征器、ResNet 视频特征器、融合模块和 12 层 Transformer 后端,每块嵌入维 768、前馈维 3072、12 个注意力头,后接线性分类器预测词元。预训练权重直接采用 Shi 等人的开源 BASE 模型,在 1326 小时 VoxCeleb2 和 433 小时 LRS3 上预训练,没有额外噪声训练。

微调是从该预训练起点出发,在合成的噪声视听数据集上继续训练。合成办法是把 LRS3 目标语音叠加 AVNS 背景声并保持 0 dB 信噪比,再配上与背景声一致的视频,共生成 433 小时数据,按 75%、15%、10% 划分训练、验证和测试。音视频下采样到 25 Hz 帧序列,用注意力序列到序列交叉熵损失训练,解码器把编码器输出自回归解码为词元概率。

预训练模型 × 微调模型: 预训练模型是在 1326 小时 VoxCeleb2 和 433 小时 LRS3 上学到一般视听语音表征的 AV-HuBERT BASE,没有经过噪声训练;微调模型是从该起点在 433 小时 0 dB 合成噪声数据上继续训练的同一结构。两者对照才能分离出噪声任务训练对各层表征带来的改变。

效果上原文报告视听噪声下语音识别准确率从预训练的 0% 提高到微调后的 77.14%。这个数字只说明该微调流程让模型在一致噪声测试上从完全不可用到可用,不代表在其他信噪比或不一致视频下也有同样提升。

脑电实验与模型输入如何保持一致

刺激由 16 段 LRS3 英语语音和 16 段 AVNS 视听噪声组合而成。每段语音长约 1 分钟,噪声一半选自路边类,一半选自操场类,视频固定机位记录自然场景,音频含车声、电话声、喊声但不含语音。目标语音与噪声按 0 dB 叠加,再分别配一致与不一致视频,共 32 个带噪刺激。音频采样 44.1 kHz,视频 25 Hz。

脑电记录来自 20 名英语母语者,64 通道 BioSemi 系统初采 2048 Hz,重采样到 128 Hz 并经 0.5 至 30 Hz 滤波、双侧乳突平均参考、眼电回归和独立成分去伪影,再滤到 1 至 10 Hz 并重采样到 25 Hz 以匹配模型嵌入。被试双耳听音并看视频,每段后做二选一内容题,另有 4 段随机抽查口头描述视频以保证注意视频,段间休息 30 秒。

视听一致噪声 × 视听不一致噪声: 视听一致指配给语音的背景视频与背景声音来自同一录制场景,视听不一致则是视频与声音随机错配。微调只用一致数据,因此这一对照可以检验模型学到的人脑相似表征是否依赖于训练时见过的视听对应关系。

下表整理了刺激时长、被试构成与任务表现,比较时注意这些条件只覆盖年轻英语母语者与 0 dB 合成噪声。

下表比较刺激与被试的基本条件,指标越大表示样本量或时长越大,任务正确率越高表示被试总体在认真听。

条件内容数值
语音刺激单段时长58.57 ± 2.44 seconds
被试人数与年龄Twenty English native speakers (eight males; age: 22.4 ± 3.87 years old)
内容理解二选一正确率89.85 ± 7.74%

语音时长接近 1 分钟保证每段有足够词量,被试量 20 人、64 通道是脑电常见规模,89.85% 的平均正确率说明被试在噪声下仍能理解大意,但标准差 7.74% 提示个体差异存在,后续相似性需在被试和通道上平均并做统计校正,不能只看单人单通道的峰值。

整体相似性为何只在一致噪声下出现

先看不分特征的整体比较,即模型嵌入矩阵与实际脑电矩阵的相关。读图任务是先确认一致与不一致两大条件,再看层与通道的分布。

看图路径: 1. 对比 A、B 两排一致条件下从浅到深颜色由黄转红的变化;2. 对比 C、D 两排不一致条件下整体偏绿蓝色且黑点稀少;3. 注意每幅小图标题下 L1 至 L12 的相关数值随层变化

原论文 Figure 2:Topographic maps of representational similarity between DNN embeddings and actual EEG responses…

论文图 2。原论文 Figure 2::“Topographic maps of representational similarity between DNN embeddings and actual EEG responses in speech processing with audiovisual-congruent noise (A-B) and…”。

该组头皮地形在一致噪声下预训练与微调的多数通道、全部 12 层都出现显著相似,不一致噪声下预训练仅第一层有限显著,微调则无显著通道。图中一致条件由黄转红表示相关升高,不一致条件整体偏绿蓝表示相关接近零或为负。由于微调只用一致噪声数据,原文据此推测任务相关微调会让人脑相似表征自然涌现,但这只是相关证据,不能证明微调必然导致因果改善。

还有一个处理细节。原文发现在一致条件下相似性从第一层升到第 11 层,到第十二层下降,而第十二层被训练去匹配自回归解码器的文本转录,因此后续分特征分析排除了第十二层,只用前 11 层。这个排除是基于观察到的下降和层的功能定位,不是预先假设所有深层都单调上升。

下表整理了模型结构与训练前后的识别表现,说明后续层级比较的起点差异。

下表比较预训练与微调模型的输入维度、训练数据量与噪声下识别准确率,准确率越高表示模型在该测试上越可用。

模型结构与数据数值
Transformer 块嵌入维、前馈维、注意力头768, 3072, and 12, respectively
预训练数据VoxCeleb2 与 LRS3 时长1326 hours of VoxCeleb2 and 433 hours of LRS3 datasets
噪声识别预训练到微调from 0% in the pre-trained model to 77.14% in the fine-tuned model

768 维等结构参数说明这是 BASE 规模而非大模型,1326 小时加 433 小时说明预训练已见过大量干净视听语音,而 0% 到 77.14% 的跳变说明不经噪声训练时模型在 0 dB 一致噪声下完全失效,微调是后续对齐变化的前提,但该准确率只在作者合成的一致噪声测试上测得,不能推广到其他噪声。

浅层偏声学、深层偏语言的分工如何显现

在确认编码模型有效后,论文把模拟响应按特征分别与模型比较。编码权重经簇置换检验全部显著,语音包络在额中央出现 100 ms 负簇和 200 ms 正簇,类似 N1-P2 复合波,噪声包络在额区 400 ms 出现负簇,词起始在额中央 200 ms 出现正簇,词惊奇度在额中央 300 ms 和 700 ms 出现正簇、中央 500 ms 出现负簇,类似 N400 语义成分。这些时空模式是后续分离比较可信的前提。

读图任务是按行看 4 种特征、按列看层级变化,注意色条范围不同。

看图路径: 1. 先横向看预训练左侧语音包络前几层红、词起始后几层红的上下分工;2. 再纵向对比微调右侧噪声包络在前五层变红的过程;3. 注意每行色条范围不同,不能跨行直接比颜色深浅

原论文 Figure 3:Topographic maps of representational similarity between DNN embeddings and simulated neural…

论文图 3。原论文 Figure 3::“Topographic maps of representational similarity between DNN embeddings and simulated neural responses to speech envelope, noise envelope, word onset, and word surprisal in speech…”。

该图左侧预训练中语音包络在前八层显著、深层下降,噪声包络在第 5 至 9 层较高并在第 8 层达峰;右侧微调中语音包络集中在前六层,噪声包络提前到前五层并在第 4 层达峰。语言侧 2 模型词起始都从浅到深上升并在第 11 层达峰;词惊奇度在预训练深层保持较高并趋于稳定,而微调词惊奇度在第 7 层达峰后明显下降。这支持浅层更像声学响应、深层更像语言响应的层级分工,但具体峰值层是描述性观察,其显著性需结合线性混合效应模型的跨层检验。

下表把编码模型的关键显著簇列出,便于核对模拟响应的时间与部位依据。

下表比较 4 种特征编码模型的显著时间簇与脑区,Tsum 绝对值越大表示该簇偏离随机水平越明显。

特征显著簇位置与统计量脑区
语音包络negative cluster at 100 ms (Tsum = -290.92, p = 0.0351)fronto-central channels
语音包络positive cluster at 200 ms (Tsum = 340.84, p = 0.0283)fronto-central channels
噪声包络negative cluster at 400 ms (Tsum = -1378, p <0.001)frontal channels
词起始positive cluster at 200 ms (Tsum = 929.42, p = 0.0029)fronto-central channels

语音包络的 100 ms 负波与 200 ms 正波对应早期听觉诱发成分,噪声包络 400 ms 额区负簇出现更晚,词起始 200 ms 正簇与声学早期成分时间接近但特征含义不同。这些簇都经 101 次循环移位构造替代模型并做 1024 次蒙特卡罗簇检验,因此可作为模拟响应有效的证据,但它们只证明线性映射显著,不证明大脑只用线性方式编码这些特征。

微调把声学与语言的交接点提前了多少

跨层定量比较用线性混合效应模型,把模型类型、层、特征作为固定效应,被试和通道作为随机效应,不显著的相似性置零后再检验,并用 FDR 或 Tukey、Bonferroni 校正多重比较。读图时先看差值方向,再看声学与语言两条平均线的交叉。

看图路径: 1. 先看 A、B 中红与粉红声学条和深浅蓝语言条随层高低的变化;2. 再看 C 中正负差值条判断微调在哪些层增强或减弱;3. 最后看 D、E 两条折线交叉点从第 8 层附近提前到第 6 层附近

原论文 Figure 4:(A-C) Representational similarity of speech envelope, noise envelope, word onset, and word…

论文图 4。原论文 Figure 4::“(A-C) Representational similarity of speech envelope, noise envelope, word onset, and word surprisal for the pre-trained, fine-tuned models, as well as their differences.”。

该图 A 至 C 显示微调使语音包络在第 2 至 11 层相似性下降但浅层偏高的趋势不变,噪声包络在第 1 至 5 层上升、在第 6 至 9 层下降,词起始与词惊奇度在第 2 至 8 层上升且深层偏高的趋势保留。D 至 E 把声学两特征平均、语言两特征平均后,预训练中声学在第 1 至 7 层占优、语言在第 9 至 11 层占优,微调中声学占优收缩到第 1 至 5 层、语言从第 6 层起占优。误差条为 95% 置信区间,标 N.S. 处表示该层两类特征无显著差异。

原文的解释是微调让模型更早分离噪声与语音,减少噪声对高级加工的影响,并在中层增强语言表征。这是一个与数据一致的机制推测,但论文没有直接测量去噪后的信噪比或因果干预中间层,因此只能说分布变化支持该解释,不能断定模型内部确实执行了显式去噪步骤。

哪些对照说明结论不是单层或单条件偶然

论文实际上做了两类对照。第一类是视听一致与不一致的对照。同一套模型和同一套脑电分析流程下,一致条件出现广泛显著,不一致条件几乎消失,说明整体对齐依赖于训练与测试中视听对应是否匹配,而不是任何音视频输入都会得到高相关。

第二类是层与特征的对照。第十二层在整体相似性中下降后被排除,后续只用 11 层,这避免了把解码器适配层的特殊下降误读为语言表征下降。同时声学内部还有语音与噪声的分离,语言内部还有词起始与惊奇度的分离,4 条曲线走势不同,说明浅层偏声学不是单一包络特征的偶然。

未胜出或未评测的范围也要说明。不一致条件下微调模型完全无显著,这是一个负结果,提示当前微调没有带来跨视听错配的泛化。论文也没有比较 Wav2Vec 2.0 或 HuBERT 等其他结构,也没有测试其他信噪比、其他噪声类型或非英语,因此交接点提前两层左右的数字只在本文条件下成立。

结论在什么边界外不再成立

第一个边界是人群与语言。声学与语言特征被选为跨语言较通用的量,但被试全是英语母语者,词惊奇度也用英语 GPT-2 计算,换成其他语言或非母语者时切分与可预测性模式可能不同,能否复现同样的浅深分工需要重新验证。

第二个边界是模型与数据。实验只用 AV-HuBERT BASE 一种 Transformer 结构,预训练目标与融合方式都特定,微调数据是 0 dB 合成的一致视听噪声,时长与场景有限。原文自己也指出其他 Transformer 可能有相似层级趋势,但预训练目标和结构细节可能带来差异,未来需跨模型比较。

还有方法边界。脑电空间分辨率有限,64 通道头皮地形不能定位到具体皮层;编码模型是线性的,相似性是不显著置零后的秩相关,这些选择会影响绝对数值。把相关高低直接等同于计算等价会夸大结论,论文的措辞是功能对齐和表征相似,应按此理解。

要复现第一步需要准备什么

复现的第一步是重建可比的输入与采样率。准备 16 段 LRS3 英语语音和 AVNS 路边、操场类噪声,按 0 dB 叠加并配一致与不一致视频,取中间 48 秒并去掉首尾以避开开头结尾响应,把脑电与模型嵌入都对齐到 25 Hz。模型侧需能抽出每层每帧 768 维向量并做主成分分析到 205 维,脑电侧需按 -200 ms 到 800 ms 估计多元时间响应函数并用 0.01 正则做 10 折交叉验证。

统计上需复现替代检验流程。编码显著性用 1 至 1200 采样点的随机循环移位构造 101 个替代模型并做簇置换检验,相似性显著性用打乱矩阵构造 101 次替代相关,跨层比较用线性混合效应模型加被试与通道随机截距。硬件上原文微调用一颗 Xeon Silver 4214、两块 V100 和 256 GB 内存,433 小时合成数据的训练成本不容忽视。

关于资源可用性,本次未发现来源绑定且完成 HTTPS 验证的资源,不得声称代码、模型或数据已公开。论文正文提到直接使用 Shi 等人的开源 AV-HuBERT BASE 和 Montreal Forced Aligner、GPT-2 等工具,但这只证明论文提到这些链接,不证明作者本研究的完整代码与脑电数据已开源,复现时应按原文方法重新实现并检查版本差异。

什么时候值得借鉴以及还缺哪项验证

当你的任务也是在视听噪声下做语音识别,并关心浅层去噪与深层语言建模如何分工时,这套先用编码模型分离脑响应再分层比较的方法值得借鉴。它能告诉你微调是否把噪声处理提前、是否在中层增强了语言表征,从而指导冻结浅层、重点调深层或增加视听融合的训练策略。

但借鉴时要记住适用条件。被试年轻、英语母语、0 dB、一致视频、AV-HuBERT BASE、48 秒中段、25 Hz 对齐,这些条件任一改变都可能移动交接点。还需要补的验证包括跨语言被试、跨信噪比、跨模型结构的系统比较,以及对中间层做干预或探针分类来检验噪声分离是否真的发生在浅层。缺了这些,只能说微调后的层级分布更像人脑的声学到语言递进,不能承诺识别延迟、误识率或真实街景噪声下一定同步改善。

📎 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


← 返回 2026-11-12 语音/音乐/音频论文速递