📄 只用四个真麦克风,怎么“变出” 十二个虚拟麦克风来做增强

英文题目:Virtual-Flow: Virtual Microphone-based Speech Enhancement via Semi-supervised Flow Matching

评分:6.6/10 | 创新 1.3/2 | 技术严谨 1/1.5 | 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

  • Dongheon Lee:Korea Advanced Institute of Science and Technology (KAIST);Daejeon, Republic of Korea
  • Ashutosh Pandey:Meta Reality Labs Research;Cambridge, Cambridgeshire, UKRedmond, WA, USA,
  • Sanjeel Parekh:Meta Reality Labs Research;Cambridge, Cambridgeshire, UKRedmond, WA, USA,
  • Zhaoheng Ni:Meta Reality Labs Research;Cambridge, Cambridgeshire, UKRedmond, WA, USA,
  • Daniel Wong:Meta Reality Labs Research;Cambridge, Cambridgeshire, UKRedmond, WA, USA,
  • Jacob Donley:Meta Reality Labs Research;Cambridge, Cambridgeshire, UKRedmond, WA, USA,
  • Buye Xu:Meta Reality Labs Research;Cambridge, Cambridgeshire, UKRedmond, WA, USA,
  • Juan Azcarreta:Meta Reality Labs Research;Cambridge, Cambridgeshire, UKRedmond, WA, USA,

📌 核心摘要

多通道语音增强依赖密集空间采样,但在AR眼镜等设备上只能安装少数真实麦克风。论文研究从有限真实含噪信号合成未观测位置的虚拟麦克风含噪信号,再将真实与虚拟通道合并做波束成形,难点是已有方法多只估计单路虚拟信号且依赖各虚拟位置真值与固定阵列。Virtual-Flow以半监督流匹配解决该问题,训练不用虚拟真值,推理仅需真实含噪信号,不需要激励语音与干净参考,这是与已有监督虚拟麦克风估计的关键差异。系统先由轻量引导模型从真实信号提取初始虚拟估计并作为条件送入流匹配模型,再由流匹配模型预测向量场并经单步积分输出虚拟信号,最后将真实加虚拟通道送入增强模型估计掩码并计算自适应波束成形系数。在16通道球阵仿真的虚拟麦克风波束成形对比中,半监督Virtual-Flow的SI-SDR、SNR、PESQ、STOI分别取得10.3 dB、10.8 dB、2.79、90.2%,高于4路基线的5.7 dB、7.0 dB、2.26、80.4%,仍低于16路真实阵列的12.1 dB、12.4 dB、2.82、92.8%。该结论适用于正面视场内仿真目标及纳入RealMAN静态与移动实录的训练条件,长混响、强干扰和延迟估计误差大时以及纯静态训练测移动说话人时性能下降,同一配置下单步推理的神经网络计算量为31.0 G MAC/s,高于4路基线的23.2 G MAC/s。

🔗 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

多通道增强为什么缺麦克风

任务的输入是少数物理麦克风录到的含噪混响语音,目标是在参考通道上恢复目标说话人的直达声,要保留的必须是目标方向的直达成分,要去掉的是混响和背景噪声加干扰说话人。麦克风越多,空间采样越密,波束形成器越能区分不同方向,耳机、眼镜这类设备只能放三四个麦克风,空间信息天然不足。

论文把解决思路分成两步:先用神经网络合成一批虚拟麦克风信号,再把真加虚拟通道一起做空间协方差估计和波束形成。虚拟通道不是真的多放了传感器,而是把已有通道间的关系重写成后端更容易用的高维形式。

真麦克风信号 × 虚拟麦克风信号: 真麦克风信号是物理传感器实际录到的多通道带噪混响语音,是推理时唯一的外部输入;虚拟麦克风信号是模型合成的、假装在未观测位置录到的带噪语音,不增加独立声学信息,但把真通道之间隐含的空间关系展开成更高维的显式表示,交给后端的协方差估计和波束形成器使用。

已有虚拟麦克风做法卡在哪里

已有做法大多只估计一路虚拟信号,且需要虚拟位置的真值录音做监督,通道一多就需要按虚拟位置成套采集数据,还要事先固定阵列形状。建模上多用判别式增强架构直接回归波形,近期有工作把它看成生成任务用生成对抗网络做,但在大量不同虚拟位置上稳定训练并快速推理仍困难。

本文要补的两个缺口是如何扩展到十几路虚拟信号并用于波束形成,以及没有虚拟真值时只靠下游增强目标和构造的伪目标训练。附录还对比了多帧波束形成和声学信息网络,说明本文走的是空间维扩增而非时间维堆叠。

本文的半监督到底监督了什么

本文的半监督有明确边界:虚拟麦克风估计本身没有真值监督,训练时只用干净参考语音监督波束形成输出,用激励语音估计延迟以构造伪虚拟目标,推理时只用真麦克风信号。干净参考、激励语音、伪目标都不在推理时出现。

下表比较训练与推理两个阶段 4 种信号是否可用及其各自承担的角色,区分模型输入、延迟估计、波束形成损失目标与全程缺席的虚拟真值。

SignalTrainingInferenceRole
RM signals 𝐲r✔✔Model input
Excitation 𝐨✔✘Delay estimation for pseudo-target construction
Clean reference 𝐱r​e​f✔✘BF-loss target
VM signals 𝐲v✘✘No ground-truth VM supervision

该表确认真信号是唯一模型输入,激励语音只用于延迟估计,干净参考只用于波束形成损失,虚拟真值全程缺席。因此后文所有提升都不能解释成偷看了虚拟位置的真值,限制是伪目标只对齐直达延迟,混响噪声并不对齐。

从四路真信号到波束形成输出的全链路

沿一个样本走一遍:输入是 4 通道真带噪语音,先经轻量判别模型得到初始虚拟估计作为引导线索,再与填充后的真信号一起进入流匹配模型预测向量场,经微分方程求解器积分得到 12 路虚拟带噪语音。随后把 4 路真信号与 12 路虚拟信号拼接成 16 通道增广观测,送入预训练的多通道增强模型估计掩膜和协方差,最后由自适应波束形成器输出参考通道的增强语音。

下图展示这条主路径,左侧绿框是神经虚拟估计,右侧是增强加波束形成,中间的拼接符号是真虚汇合点。读图时先看输入到输出的主箭头,再看引导线索从哪里分叉又从哪里汇入。

看图路径: 1. 沿左侧真信号箭头看如何同时进入引导分支和流匹配分支;2. 看引导线索箭头指向流匹配模型的位置;3. 看右侧真加虚拟拼接后如何进入增强模型再进入自适应波束形成器

原论文 Figure 1:Proposed framework for virtual microphone-based beamforming (VM-BF).

论文图 1。原论文 Figure 1::“Proposed framework for virtual microphone-based beamforming (VM-BF).”。

该图确实可见真波形同时进入上分支的预训练模型和下分支的流匹配模型,引导线索箭头向下注入,积分结果与上分支初始估计相加得到虚拟信号,再与真信号拼接进入增强模型和自适应波束形成器。这帮助理解本文不是直接增强波形,而是先扩增空间通道再做线性空间滤波。

模型要学的映射可以写成以真信号为输入、以引导线索为条件的函数。

\[\displaystyle\begin{aligned} \hat{\mathbf{y}}_{v}=f_{\theta}\!\left(\mathbf{y}_{r}\mid\hat{\mathbf{y}}_{v}^{init.}\right),\end{aligned}\]

该式说明输出是 12 通道虚拟信号,条件是初始估计,输入维度不足时用参考通道复制填充到虚拟通道数,这是后文流匹配起点能与目标对齐的关键。

虚拟麦克风波束形成 × 虚拟麦克风端到端增强: 虚拟麦克风波束形成先用增强模型估计时频掩膜和空间协方差,再用多通道维纳滤波或最小方差无失真响应等闭式波束形成器做线性滤波;虚拟麦克风端到端增强直接把真加虚拟通道堆叠送入多通道增强模型输出波形,前者依赖空间统计加线性约束,后者依赖网络直接映射,本文主实验是前者,另用两通道实验验证后者。

多通道维纳滤波 × 最小方差无失真响应: 多通道维纳滤波以均方误差最小为目标,用增强信号做参考求解滤波器系数,含有单通道后滤波成分;最小方差无失真响应以噪声方差最小且目标无失真为约束,用语音噪声掩膜分别估计协方差,本文在两种后端都测试,验证虚拟通道改善的是空间滤波本身而非某一后滤波技巧。

流匹配模型内部如何分工

流匹配分支包含噪声生成、轻量引导模型和周期波形主干。训练时把真信号填充复制到 12 通道并加高斯扰动作为起点,把起点与目标伪信号做线性插值,主干在随机中间时刻预测该点的位移方向,损失在短时傅里叶变换域算预测方向与真实位移的平均绝对误差。主干把波形按周期切分并行处理,下采样块压缩后在多频带块与引导线索融合,再由上采样块恢复到向量场维度。

下图展示训练时的完整计算,左侧是噪声与真虚信号的汇入,中间绿框是下采样、多频带、上采样结构,右侧是预测向量场与真实向量场的对比损失。读图时注意时间步广播到各块,引导线索只进入中间融合点。

看图路径: 1. 看底部轻量模型输出的初始估计经波形转梅尔后进入中间多频带块的方式;2. 看时间步经多层感知机广播到下采样和上采样块的方式;3. 看右侧预测向量场与真实向量场对比损失的标注位置

原论文 Figure 2:Overall architecture of Virtual-Flow.

论文图 2。原论文 Figure 2::“Overall architecture of Virtual-Flow.”。

该图确实可见高斯噪声、真信号与虚拟目标共同形成插值流进入主干,底部轻量模型的初始估计经波形转梅尔后作为引导线索进入编码器,右侧用双向箭头对比预测与真实向量场。这说明引导只提供条件,不直接决定最终波形,位移仍需主干学习。

插值路径定义了起点到目标的直线,起点分布是以填充真信号为均值的高斯。

\[\displaystyle\begin{aligned} \phi_{s}(\mathbf{z})=s\mathbf{y}_{v}^{\star}+(1-s)\mathbf{z},\end{aligned}\]

该式中 s 是 0 到 1 的流时间步,不是音频采样下标,z 是扰动后的起点,目标端点在有监督时是真虚拟信号,在半监督时是伪目标。

流匹配 × 重流蒸馏: 流匹配是学一条随时间步变化的向量场,把带噪的初始状态沿直线插值推向目标虚拟麦克风信号,训练时比较预测向量场与目标位移在短时傅里叶变换域的差异;重流蒸馏是先随机时间步训练再固定在起始步重训,使常速直线路径可用一次欧拉步完成,本文借此把推理降到函数求值一次。

引导线索 × 向量场: 引导线索是预训练的轻量判别模型从真信号先估计出的初始虚拟信号,作为条件输入;向量场是流匹配模型在当前插值位置要输出的位移方向,引导线索简化了从真信号出发需要补的细节,实际位移仍由主模型预测并经微分方程求解器积分得到。

伪目标怎么做出来又和波束形成一起训练

伪目标构造分 3 步:先用激励语音与每路真信号做互相关,取相关最大处的时延作为该真通道的估计延迟;再算这些延迟的均值和标准差,以该均值和标准差刻画虚拟延迟的分布并据此得到 12 路虚拟延迟;最后把每路真信号按延迟差平移再平均,得到对应虚拟延迟的伪带噪信号。这个操作只在延迟空间选点,不约束 3 维物理位置,也不保证混响对齐。

下图展示从真位置的延迟估计到虚拟位置的延迟采样再到叠加的过程,左侧灰点是真通道,右侧绿点是虚拟通道,中间是延迟分布转换。读图时注意中间明确写出虚拟延迟服从以真延迟均值方差为参数的高斯分布,右侧绿点为随机散布,图中并无等间隔采样网格标注。

看图路径: 1. 对比左右两球上灰点与绿点的数量和分布变化;2. 看中间高斯分布符号与左右两步转换箭头的对应关系;3. 看右下角叠加公式中真信号时移再平均的结构

原论文 Figure 3:Overview of semi-supervised flow matching using pseudo targets.

论文图 3。原论文 Figure 3::“Overview of semi-supervised flow matching using pseudo targets.”。

该图确实可见声源到各真通道的延迟箭头汇总成均值方差,中间写出高斯分布符号,再生成虚拟延迟并指向随机散布的绿点,右下角公式写明对平移后的真信号平均。这帮助理解伪目标为何能提供多样延迟监督,又为何只近似直达成分,公式文本另给的等间隔网格形式在该图中没有画成网格。

训练损失是虚拟损失与波束形成损失的加权和,虚拟损失取对数后与信噪比损失量级对齐,权重比为 0.3 比 0.7。半监督增强模型先用 4 通道预训练,编码器在 16 通道输入下重训,分离器解码器微调。训练时微分方程求解器全程参与,前向生成虚拟信号并把梯度传回流匹配模型,重流阶段固定在起始步训练以支持单步推理。

条件流匹配损失在复数短时傅里叶变换域算平均绝对误差。

\[\displaystyle\mathcal{L}_{\mathrm{CFM}}=\mathbb{E}_{s}\Big[\Big\|\mathrm{STFT}\!\big(u_{s}(\phi_{s}(\mathbf{z})\mid\hat{\mathbf{y}}_{v}^{init.})\big)-\mathrm{STFT}(\mathbf{y}_{v}^{\star}-\mathbf{z})\Big\|_{1}\Big].\]

该式说明比较对象是预测向量场与目标位移的频谱,期望是对随机时间步取平均,短时傅里叶变换使目标与后端的频域波束形成对齐。

延迟估计用互相关最大值实现。

\[\displaystyle\begin{aligned} \hat{\tau}_{r}=\arg\max_{\tau_{r}}\sum_{t}o[t]y_{r}[t+\tau_{r}].\end{aligned}\]

该式中 o 是激励语音,y 是真信号,t 是采样下标,求和范围覆盖整段 10 s 语音,输出是该通道的估计延迟。

伪目标的叠加形式如下。

\[\displaystyle\begin{aligned} \tilde{y}_{v}[t]=\frac{1}{M_{r}}\sum_{r=1}^{M_{r}}y_{r}\!\left[t+\hat{\tau}_{r}-\tau_{\tilde{v}}\right].\end{aligned}\]

该式把各真通道按估计延迟与虚拟延迟之差平移后平均,M 是真通道数,伪目标通道数与虚拟通道数一致。

伪虚拟目标 × 波束形成损失: 伪虚拟目标是对真通道做时延对齐后再平均叠加得到的替代监督,只近似目标说话人直达成分的延迟结构,不要求混响噪声也对齐;波束形成损失是用干净参考语音对波束形成输出算信噪比损失,提供下游增强监督,二者加权相加,前者给延迟空间的粗先验,后者把生成通道拉向有利于空间滤波的方向。

数据阵列和评价指标如何设定

数据用 DNS 挑战的语音噪声源随机切成 50000、2000、3000 段 10 s 片段,房间用镜像源法生成 6 阶反射,房间尺寸、吸声系数、混响时间、信噪比、信干比、声源距离都按区间均匀采样,目标限制在前方正负 20 度视场内,另加 0 到 5 个视场外干扰说话人。阵列是半径 0.1 m 的 16 元球阵,选其中 4 通道组成四面体作为真麦克风,其余 12 通道作为虚拟目标,采样率 16 kHz,窗长 16 ms,跳 8 ms。

增强主干用 SpatialNet-small,多通道维纳滤波做掩膜波束形成,协方差用 25 帧矩形窗平滑。评价分两层:虚拟估计层看多分辨率短时傅里叶变换误差、对数谱距离、尺度不变信失真比和信噪比,方向是前两者越小越好、后两者越大越好;增强层看尺度不变信失真比、信噪比、语音质量感知评价和短时客观可懂度,均为越大越好。复杂度看参数量和每秒乘加数。

主结果在什么条件下成立

主实验比较的是 4 通道基线、多种有监督虚拟估计方法、无虚拟真值的半监督方法以及 16 通道物理上界,输入都是 4 路真信号加模型生成的 12 路虚拟信号,后端统一为多通道维纳滤波。半监督 Virtual-Flow 在波束形成上达到 10.3 dB 尺度不变信失真比、10.8 dB 信噪比、2.79 语音质量分、90.2% 可懂度,超过有监督的判别式与生成式基线,接近 16 通道的 12.1 dB、12.4 dB、2.82 分、92.8%,而计算量为 13.1 M 参数加 7.8 G 每秒乘加数,低于同类生成模型。

关键反直觉点是虚拟估计的时域指标与增强指标不一致:Virtual-Flow 的虚拟信号时域失真较大,但频谱幅度恢复更好,相位尤其高频仍差,而波束形成在频域依赖幅度提供的空间线索,因此增强仍强。下表给出分频段的复数谱、幅度谱信噪比和相位差,方向是信噪比越大越好、相位差越小越好,比较问题是幅度与相位哪部分真正支撑了波束形成。

Frequency range (kHz)0–0.50.5–22–44–80–0.50.5–22–44–80–0.50.5–22–44–8
Spatial-Magnifier Lee et al. (2026)4.94.71.20.37.57.22.81.31.111.341.461.55
Virtual-Flow7.9-0.7-3.6-4.011.85.63.32.10.471.421.591.57

表中 Virtual-Flow 在 0 到 0.5 kHz 幅度谱达 11.8 dB 高于对照的 7.5 dB,在 2 到 4 kHz 和 4 到 8 kHz 也分别以 3.3 dB 和 2.1 dB 高于对照的 2.8 dB 和 1.3 dB,而复数谱在高频为负、相位差在高频略大。这支持幅度恢复足以提供空间线索的解释,也说明相位仍是短板,不能把时域失真小等同于增强一定好。

下图对比真信号、两种方法估计的虚拟谱与真虚拟谱,以及各自波束形成输出与干净参考的谱,可见高频纹理保留差异。读图时先看上排真信号与真虚拟信号的高频能量分布,再对比两种方法在高频段的纹理保留,最后看下排波束形成输出与干净参考之间残留干扰的变化。

看图路径: 1. 先看上排真信号与真虚拟信号的高频能量分布差异;2. 对比上排两种方法在高频段的纹理保留程度;3. 再看下排波束形成输出与干净参考之间残留干扰的变化

原论文 Figure 6:Spectrogram comparison between Spatial-Magnifier and Virtual-Flow

论文图 6。原论文 Figure 6::“Spectrogram comparison between Spatial-Magnifier and Virtual-Flow”。

该图上排可见 Virtual-Flow 的高频能量分布更接近真虚拟信号,对照在高频更平滑,下排波束形成输出的差异肉眼较小但高频语音结构仍是 Virtual-Flow 更完整。这与上表幅度指标一致,但频谱图只是定性证据,需与掩膜缺失下的最小方差实验和同向干扰实验联合解读。

为什么说改善来自空间滤波而非去噪

论文用 3 组证据排除隐式去噪的解释。第一,生成的虚拟通道保留带噪麦克风的能量与谱时结构,不是干净语音;第二,换成不含维纳后滤波的最小方差无失真响应后端,Virtual-Flow 仍把 4 通道基线从 5.6 dB 提升到 9.0 dB,接近 16 通道的 10.0 dB;第三,当目标与干扰同方向到达时,方向可分性消失,Virtual-Flow 相对 4 通道的增益从分离时的 4.6 dB 收缩到 1.2 dB,16 通道物理阵列的优势同样收缩。

这三点联合支持虚拟通道改善的是空间滤波阶段,残差抑制仍可由后处理继续做,二者是前后级关系。未胜出项是同向噪声下增益很小,说明方法依赖方向差异,不能在单方向混合下替代谱滤波。

预训练引导和重流各起了什么作用

预训练消融比较直接联合训练与先预训练轻量引导模型再训练主干。下表给出有监督与半监督下有无预训练的四项增强指标,比较问题是引导预训练是否必要,指标越大越好。

methodneural-VMESI-SDR↑SNR↑PESQ↑STOI↑
Supervised✘10.210.82.7290.1
Supervised✔10.110.72.7490.0
Semi-supervised✘9.610.32.7189.3
Semi-supervised✔10.310.82.7990.2

表中半监督有预训练全面占优,从 9.6 dB 提升到 10.3 dB 尺度不变信失真比,语音质量从 2.71 到 2.79,可懂度从 89.3% 到 90.2%;有监督有无预训练基本持平。这支持引导提供初始估计以简化主干学习的判断,限制是该结论只在本文的权重比和 2 阶段训练下验证。

引导与波束形成损失的单独去掉实验显示,去掉引导降到 9.5 dB,去掉波束形成损失降到 8.2 dB,说明下游监督负责把伪目标拉向增强方向。下表给出三行的四项指标,比较问题是生成通道靠伪目标重建还是靠下游监督对齐。

MethodSI-SDR↑SNR↑PESQ↑STOI↑
w/o Guidance9.510.12.7189.3
w/o Beamforming loss8.28.72.6388.2
Virtual-Flow10.310.82.7990.2

表中完整模型 10.3 dB 明显高于 8.2 dB,说明只拟合伪目标不够,必须保留波束形成损失;去掉引导仍有 9.5 dB,说明主干有一定独立能力但训练更波动。

重流消融比较判别式、普通流匹配 16 步与重流单步同架构,普通流匹配虚拟估计很差,波束形成仅 7.6 dB,重流单步达 10.1 dB。下表给出虚拟层与增强层指标及训练阶段与函数求值次数,比较问题是单步推理的收益是否来自重流。

MethodM-STFT↓LSD↓SI-SDR↑SNR↑SI-SDR↑SNR↑PESQ↑STOI↑StagesNFE
Discriminative2.472.69-32.1-3.36.77.92.3584.4--
Flow matching8.405.12-30.5-12.37.68.52.4483.4116
FM+reflow1.292.10-1.31.710.110.72.7490.021

表中判别式与普通流匹配的虚拟时域指标为负几十分贝,增强也低,重流在虚拟频谱误差最小且增强最高。这支持 2 阶段重流与单步推理的搭配,限制是该架构为重流设计,普通流匹配差不代表流匹配本身不行。

哪些条件下效果会打折

延迟误差大时监督变差,误差超过 0.625 ms 的样本从 10.7 dB 降到 7.6 dB;强干扰下互相关估计受损,信干比低于 0 dB 时整体降到 7.0 dB;混响越强越差,混响时间超过 1.0 s 时降到 5.4 dB,而低混响段占测试约 90%。训练在静态场景加 6 阶镜像源,测到运动说话人或 16 阶与混合射线追踪时明显下降,静态训练测运动时从 10.3 dB 降到 3.7 dB。

真录制的 RealMAN 上同时用含运动的数据训练则仍有提升,静态从 4.3 dB 到 5.5 dB,运动从 1.6 dB 到 3.1 dB,说明动态条件需要在训练中见到。此外相位高频估计差、重流需 2 阶段训练、整体 14.7 M 参数对超低功耗设备仍重,实时变体的实时因子约 0.9424,余量很小。

复现第一步要准备什么

复现先按本文划分用 DNS 源与镜像源法生成 10 s 仿真数据,固定 4 个真通道索引与 12 个虚拟通道,视场限制在正负 20 度,信噪比与信干比按原文区间采样,模型先训轻量引导模型再训周期波形主干,各 100 轮,Adam 学习率 5×10 的负 4 次方,32 卡全局批量 64,损失权重 0.3 比 0.7,短时傅里叶窗 16 ms 跳 8 ms,协方差窗 25 帧。

推理只输入真信号,噪声置零,从填充真信号出发做 1 次欧拉步得到虚拟信号,再拼接做增强与波束形成。论文未公开代码模型数据,来源核验显示没有可用的作者资源链接,因此只能按文字重写,不能直接下载运行。统计上只有部分对照做了 3 次随机种子的均值标准差,其余条件未报告不确定度。

什么时候值得尝试还缺什么验证

当设备只有三四路麦克风、后端是频域波束形成、目标在视场内且与干扰有方向差异时值得尝试,本文在该条件下用 4 加 12 通道大幅缩小与 16 通道物理阵列的差距,且单步推理成本低于同类生成模型。端到端 2 通道实验也显示虚拟通道可作为扩大模型容量的替代,接近大模型效果但计算量更低。

还缺的验证是更真实的长期混响训练、运动说话人的系统评估、相位改进后的增益,以及阵列无关与实时变体在更多硬件上的延迟功耗实测。总体上幅度恢复已够支撑空间滤波,相位与动态声学仍是下一步重点。

📎 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