英文题目：Enhancing Stability and Fidelity for Zero-Shot TTS with a Multi-Level Evaluator
会议身份：
conference:aaai:2026:conference-paper-id:40636
✅ 来源为官方会议 PDF；可重放的表格、公式文本与 Figure 像素已按 PDF 抽取结果绑定，未成功恢复的结构不作推断。
标签：#偏好优化 #零样本 #语音编辑 #文本到语音
评分：6.7/10 | 创新 1.3/2 | 技术严谨 1.2/1.5 | 实验充分 1.0/1.5 | 清晰度 0.7/1 | 影响力 1.0/1.5 | 开源 0.2/1.5 | 可复现 0.3/0.5 | 工程/实践 1.0/1.5
排名：前50% | 文档类型：方法研究
👥 作者与机构
- Hualei Wang：机构信息未能从会议 PDF 纯文本可靠映射
- Na Li：机构信息未能从会议 PDF 纯文本可靠映射
- Chuke Wang：机构信息未能从会议 PDF 纯文本可靠映射
- Shu Wu：机构信息未能从会议 PDF 纯文本可靠映射
- Zhifeng Li：机构信息未能从会议 PDF 纯文本可靠映射
- Dong Yu：机构信息未能从会议 PDF 纯文本可靠映射
📌 核心摘要
零样本语音合成（zero-shot TTS）以短时说话人提示音频与目标文本为输入，生成音色一致的连续语音，难点是采样随机性与长文本隐式对齐导致的误读、漏读、重复、异常停顿与噪声。本文提出多级评估器 Vox-Evaluator，先以语音编码器与音素文本联合编码抽取跨模态表示，再并行输出错误时间戳、整句质量分与转写文本，随后将转写文本与目标文本经动态时间规整（Dynamic Time Warping，DTW）比对以确认错词并扩展掩码，最后调用编辑式语音合成模型仅重生成掩码段并最多迭代两轮。同一评估器还被复用为细粒度奖励模型，仅对错误时间戳对应片段计算扩散式直接偏好优化（Direct Preference Optimization，DPO）损失，避免全句优化的信息冗余。与依赖外部语音识别加声学自监督模型加强制对齐器的纠错管线不同，该方法将定位、校验与质量评估统一为可训练多任务头。与原始F5-TTS相比，纠错后在Seed-TTS test-en上词错率由1.73%降至1.42%，说话人相似度由0.67微升至0.68，对比平均意见分由0.31微升至0.33。该结论目前仅在英文朗读类数据集与两种骨干上验证，对多语言、对话式长播客与强噪声提示的外推尚未验证。原文未披露训练、推理或部署成本。
🔗 开源与复现资源
- 演示资源：https://voxevaluator.github.io/correction/ — 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
输入是什么？为什么零样本合成容易在长句上翻车？
这篇论文的输入是两样东西：一小段提示音频，用来定音色与风格，一句目标文本，用来定要说什么。输出是一段新语音，要求音色像提示人、内容与目标文本一致、听感自然。目标读者是刚进入语音合成的研究生，首要任务是理解稳定性与保真度的含义。稳定性指同一条件下不出现漏字、多读、卡顿，保真度指发音正确且无可听噪声与异常韵律。
零样本合成的主流路线有 3 条：自回归语言模型逐个预测离散语音单元，非自回归的扩散或流匹配模型并行生成，掩码生成模型按上下文补全。论文报告自回归路线有韵律多样性，但存在误差累积；非自回归路线放弃显式音素对齐与时长预测，依赖隐式文本语音对齐加随机采样，容易产生幻觉式伪影。具体动作是：当长文本复杂或采样温度变化时，模型可能跳词、重复、加长静音。学习依赖是先接受 1 次生成不可能全对，再学如何自动发现错段并只改错段。
演示页当前可用，已公开，地址为官方资源中的演示链接，本次解读以论文正文证据为准，不把试听感受当定量结论。论文要解决的不是把自然度再推高一点，而是在播客与有声书这类长内容场景下，把坏样本比例压下去。后续所有方法与实验都围绕这个目标展开，先讲相关路线为何不够，再讲评估器如何同时给出位置与分数。
已有路线在纠错与偏好对齐上缺了哪一块？
语音编辑方向已有可用工具。传统剪贴法直接剪切粘贴音频，容易出现韵律不衔接与边界 artifacts。基于文本的编辑系统如 CampNet 与 FluentSpeech 按掩码重构思路，根据周围声学上下文重生成目标片段。统一模型如 Voicebox 用流匹配同时做延续与编辑，VoiceCraft 用自回归预测多层声学单元做长文本编辑。这些工作承担了修正执行部分，但论文指出完整纠错还需自动错误检测与质量评估，而已有 2 阶段纠错管线依赖自动语音识别、自监督模型与强制对齐等外部复杂工具，且不能定位低音频质量段。
偏好对齐方向已有尝试。可懂度上用字错率直接构造偏好对，讲者相似度上用说话人验证分数做奖励，情感可控上引入情感偏好与人工反馈。但论文认为细粒度的多层次奖励模型在零样本语音合成偏好优化中关注有限，收集细粒度偏好奖励成本高、管线复杂，需要预训练评估工具组合。这就是本文的切入点：用一个统一评估器同时输出错段时间范围、失配文本与整句质量分，既指导编辑修正，又作为细粒度奖励指导偏好优化，避免为每个子任务维护一套外部工具。
错误长什么样？要定位到多细才能改？
论文把问题定义为生成后检测与修复。给定提示与目标文本，语义生成器先产生语义表示，再经波形生成器合成语音。错误发生在合成语音中，表现为 4 类：常见问题含误读与漏读，重复问题含重复与冗余发音，标点问题含不自然停顿与韵律，异常问题含噪声或异常停顿。任务要求输出两类信息：一是错误段的时间范围与预测文本，二是整句质量分。只有细到帧级时间范围，才能做遮罩重生成；只有整句分数，才能决定是否值得进入修正循环。
下段先看论文给出的典型坏样本形态，再进入方法全景，理解评估器在管线中的位置。
看图路径： 1. 先对比左侧误读列上下两条波形绿色窄带位置是否一致；2. 再看右侧异常停顿与可听噪声两条波形的静音段与高能量段差异；3. 最后把红色叉号与黄色高亮词和对应波形缺失或多余段对应起来
论文图 1。原论文 Figure 1：“Typical instances of distinct erroneous samples. The error segments in the generated speech are emphasized by green bounding boxes.”。
上图左侧展示误读情形，目标词本应为专利一词对应的英文原词，生成语音在绿色窄带处发成另一相近词，上下波形在该窄带处形态不同，红色叉号标示语义错误。右侧展示质量问题，上方为异常停顿，波形中间出现过长近乎静音的绿色段，下方为可听噪声，波形开头绿色段能量异常增高。教学例子是：把该图当作质检员的示例卡，绿色框是质检员圈出的次品位置，文字框是应有标签与实际标签的对照。论文用此说明仅靠整句字错率不够，必须有位置信息才能局部返工。
评估加修正的全链路是如何串起来的？
全链路分 3 步走。第一步生成：提示语音与目标文本进入语义生成器与波形生成器，得到初始合成语音。第二步评估：Vox-Evaluator 输入该语音与目标文本，输出预测文本、错误时间范围与质量分。第 3 步处置：若时间范围非空或动态时间规整发现文本失配，则构造帧级遮罩，用编辑语音合成模型只重生成错误段；同时用质量分与字错率综合判断是否继续迭代。偏好对齐是另一条复用同一评估器的链路，把高质量与低质量配对样本的差异作为偏好信号微调生成模型。
零样本语音合成 × 语音编辑修正： 零样本语音合成负责只用几秒提示音频就生成与目标文本、音色一致的语音，分工是首次生成；语音编辑修正负责保留正确音频、只重生成错误片段，分工是局部修复；二者搭配的理由是首次生成难以避免采样随机与长文本对齐幻觉，组合意义是把 1 次生成问题转化为检测加小范围重写问题，降低全句重算成本。
下段看整体结构图，重点是评估器内部三头输出与外部修正循环的箭头方向。
看图路径： 1. 先沿上半部分语音与文本两条输入汇入 Unit Encoder 再分出三头的箭头走一遍；2. 再看下半部分从提示语音与目标文本经生成到 Vox-Evaluator 分叉的循环；3. 最后确认虚线框标注的可选模块与帧级遮罩回指到波形生成器的箭头
论文图 2。原论文 Figure 2：“a) Architectural overview diagram of the proposed Vox-Evaluator.”。
上图上半为评估器结构，左侧语音经卷积预网络与变换器编码器得到语音表示，下方文本经分词器得到文本单元，两路在中间单元编码器汇合，右侧分出线性预测整体质量、长短时记忆网络预测错误时间、解码器转写文本三头。下半为修正管线，从提示语音与目标文本经语义与波形生成器到已生成语音，再经评估器分出失配文本、质量判断与错误片段，错误片段经帧级遮罩回指波形生成器形成闭环。虚线框标示可选模块，含义是部分生成组件可按所用基线替换，不影响评估与遮罩逻辑。
评估器内部每个模块算什么、输出什么？
沿一个样本走完流程有助于复述。输入为合成波形与目标文本字符串。语音编码器先用 1 维卷积层把波形变为隐特征序列，再用基于自监督预训练的变换器建模上下文，输出语音语义单元。音素分词器把目标文本变为音素或词单元。单元编码器采用与预训练语言模型编码器相同结构，接收拼接后的双模态输入，用双向自注意力做模态间交互，输出已融合文本信息的语音隐特征与文本隐特征。
文本解码器继承解码器结构，含文本嵌入层、多层变换器与输出层，以单元编码器表示为条件自回归生成目标文本序列，与标准文本比对即可发现缺失或替换。预测器分两支：一支为 3 层线性层加层归一化与激活函数的感知机，输出整句质量分；另一支为两层双向长短时记忆网络加线性层与激活函数，输出逐帧错误概率，再阈值化为时间范围。因为语音隐特征已融合目标文本信息，时间预测能判断语义不匹配段。
单元编码器 × 文本解码器： 单元编码器负责把语音编码器输出的语义 token 与音素分词后的目标文本 token 拼接后做双向自注意力，分工是建立语音与文本的联合表示；文本解码器负责以该联合表示为条件自回归生成识别文本，分工是暴露漏读、误读的内容差异；搭配原因是只有先对齐才能判断不一致，组合意义是让时间戳预测器能利用已融合文本信息的语音隐特征定位语义不匹配段。
时间戳预测器 × 整体质量分预测器： 时间戳预测器负责逐帧判断是否为发音错误或质量问题段，分工是局部定位；整体质量分预测器负责输出整句 1 到 10 分的质量分，分工是全局筛选是否需要修正；搭配原因是局部错误与整体听感不完全等价，组合意义是评估机制同时用质量分与解码器字错率决定哪些样本进入修正，避免对已合格样本反复改写。
动态时间规整 × 帧级遮罩重生成： 动态时间规整负责在词序列层面求解目标文本 T 与预测文本ˆT 之间累计代价最小的对齐路径，分工是找出缺失或替换词；帧级遮罩重生成负责把ˆS 时间范围加小边距扩展后遮住并以保留音频与文本为条件重生成，分工是执行声学修复；搭配原因是文本差异需映射到时间轴才能操作，组合意义是即使初始时间检测有偏差也能通过文本失配时长均匀扩展保证完整覆盖错误段。
动态时间规整在此承担词级对齐作用。设目标词序列与预测词序列分别为两组符号，优化目标是寻找使累计代价最小的规整路径，代价函数度量标准词与识别词的发音距离。对齐后即可得到详细的缺失与替换映射，再按失配文本时长均匀划分来扩展遮罩边距，保证完整移除错误段。修正时编辑模型以保留语音与文本提示为条件生成，计算量显著小于整句重生成，论文设定最多重复两轮。
评估器用什么数据、什么损失训练？偏好优化如何只算错段？
评估器训练依赖自建的细粒度错误语音数据集。该数据集先从大规模多语言语料选取文本提示，从朗读语料随机采样提示音频，再用已有语音合成模型在不同温度与引导尺度下合成多样样本，并用加噪与异常停顿增强构造低质样本，覆盖常见问题、重复问题、标点问题与异常问题 4 类。
标注分 3 个阶段：用大模型转写并与目标文本比对标注语义内容，用强制对齐工具定位词级发音时间并对齐到帧级表示，用美学评估模型加人工标注给出范围为 1 至 10 分的整句质量分，质量分为内容欣赏分与制作质量分的平均。数据集共 22k 条，其中训练集 20k 条，验证集为 1k 条，测试集为 1k 条，论文报告做了主观评估验证标注与人类可懂度感知一致。
训练策略采用多任务学习。模型从语音文本预训练检查点微调，该检查点已含自监督语音掩码预测、有监督语音音素对齐与语音到文本任务。时间戳预测因正负帧严重不平衡用逐帧焦点损失，文本预测用标准词级交叉熵，质量分预测用均方误差，总目标为三者之和。实现细节为语音编码器采用 6 层变换器、768 维隐状态、前馈 3072 维、8 头注意力，时间预测为 2 层双向长短时记忆网络加线性层与激活函数，质量预测为 3 层感知机，全模型微调 50 轮、批量为 24、优化器为 Adam、学习率为 1e-4，长波形切分为 30 秒小段。
\[Ltotal = Lmse + Lframe + Lce\]上式中总损失为质量均方误差、帧级焦点损失与词级交叉熵之和，符号分别对应质量头、时间头与文本头的监督来源，输入为合成语音与目标文本对，计算目标是同时学会定位、转写与打分。偏好优化沿用直接偏好学习思路，在相同条件下生成两个样本，保真度或质量更高者为胜者样本，含错误或低质者为败者样本，目标函数比较两者去噪误差相对参考模型的优势并用逻辑函数优化。原文未完整报告该偏好训练的学习率与批量等超参数，此为缺项，复现时需先补该验证。与已有全句偏好优化不同，本文用时间戳标注只对特定段计算注意力损失，实现细粒度增强。
直接偏好优化 × 细粒度分段损失： 直接偏好优化负责用胜者样本 xw 与败者样本 xl 的去噪误差差学习人类偏好，分工是整体对齐；细粒度分段损失负责只在时间戳标注的错误段上计算注意力损失，分工是避免全句冗余优化；搭配原因是全句优化会过度调整已正确部分，组合意义是让偏好信号集中在误读与低质段，实现更精准的稳定性提升。
在哪些数据、基线与指标下验证？条件是否可比？
语音修正测试用两个公开测试集：英文种子测试集与朗读标点测试集的干净子集，消融另引入语音合成稳定性基准评估稳定性与音频质量。基线覆盖自回归与非自回归两类零样本模型，包括可扩展多语言合成器、大规模语言模型合成器、语音编辑模型与流匹配模型等，修正实验重点选专为编辑设计的 2 个模型做前后对比，保证修正前后生成模型主体一致。评估器自身对比微调的语音表示基线与高性能识别模型，分别验证定位、打分与转写能力。
指标分两层。评估器层面用整体音频质量的句级线性相关与系统级排序相关，错误定位用交并比，无错误样本用均方误差，转写用字错率。合成层面用大模型转写字错率衡量可懂度，方向越低越好；用基于大模型的说话人嵌入余弦相似度衡量音色相似，方向越高越好；主观用比较平均意见分对比合成与标准答案，自然度自动指标用预测平均意见分。
论文未报告统计显著性方法与硬件预算，此为缺项，解读时不把单点提升夸大为必然显著。转写与相似度所用模型在修正前后保持一致，满足公平比较的基本条件。
修正后字错率降了多少？评估器自身准吗？
先看修正主结果要回答的问题：在相同测试集与相同转写条件下，加两轮评估指导的局部重生成，能否同时降低字错率且不损失音色与主观分。指标方向为字错率越低越好，相似度与比较平均意见分越高越好。下表为原文结果表的行列选择，保留可运行的基线与修正后策略，覆盖两种修正后端在英文种子测试集上的表现。
| Model | WER(%↓) | SIM-o(↑) | CMOS(↑) |
|---|---|---|---|
| CosyVoice(Du et al. 2024) | 4.08 | 0.64 | 0.02 |
| Llasa-1B(Ye et al. 2025) | 2.03 | 0.76 | 0.23 |
| F5-TTS(Chen et al. 2024c) | 1.73 | 0.67 | 0.31 |
| VoiceCraftrefine | 5.11 | 0.47 | -0.78 |
| F5-TTSrefine | 1.42 | 0.68 | 0.33 |
上表显示流匹配基线本身字错率已较低，修正后进一步下降，语音编辑基线起点较差但修正后改善幅度更大，主观分同步回升而非以牺牲自然度换可懂度。需要同时说明未胜出项：大规模语言模型基线在音色相似度上仍保持较高值，修正后的流匹配模型并未在所有维度全面超越该基线，说明修正主要解决稳定性而非音色建模。另一张整理表聚焦评估器自身精度，数字均来自正文连续原句，列数满足宽表要求，用于核对定位与打分是否可信。
| 评估维度 | 指标名 | 本方法数值 | 对照说明 | 证据要点 |
|---|---|---|---|---|
| 错误定位 | 交并比 | 0.782 | 微调语音表示基线 | 高交并比且相对提升 19.7% |
| 质量预测 | 句级相关 | 0.541 | 人工加模型标注分 | 与标注分显著正相关 |
| 质量预测 | 系统级排序相关 | 0.630 | 人工加模型标注分 | 与标注分显著正相关 |
| 文本转写 | 字错率 | 2.64% | 识别基线对比 | 参数更少但字错率更低 |
| 综合 | 相对提升 | 19.7% | 微调基线对比 | 定位增益主要来自跨模态对齐 |
上表表明评估器在误读样本上交并比达到较高水平，质量分两项相关系数均为正相关，转写字错率低于所比识别模型。论文将此归因于跨模态信息感知，直接支持其细粒度任务有效性。代价是该结论依赖自建数据集分布，若错误类型超出 4 类覆盖，定位精度待验证。 下段看偏好优化随训练步数的变化，判断改进是否单调。
看图路径： 1. 先看左图横轴偏好优化步数从 0 到 2500 时红色 WER 折线先降后升的拐点；2. 再看左图绿色 SIM-o 折线在 2000 步附近的峰值与随后回落；3. 最后对比右图蓝色 CMOS 与黄色 SMOS 是否在同一 2000 步附近达到最高
论文图 3。原论文 Figure 3：“Performance of F5-TTS model with fine-grained preference alignment on the Seed-TTS test set at different training steps.”。
上图左面板横轴为偏好优化步数，纵轴左侧为字错率百分比、右侧为音色相似度，红色字错率从起点随步数下降至 2000 步附近最低，绿色相似度同步上升至峰值，超过 2000 步后两者均回落。右面板纵轴为两种主观分，均在 2000 步附近达到最高随后下降。论文报告客观上字错率从 1.73% 降到 1.55%、相似度升到 0.683，主观同步改善，早期调整大、后期奖励饱和。解读时不能把末步结果推广为全程单调，也不能把曲线向下直接当性能变差，需先确认纵轴是原始指标还是改善量，此处为原始指标，下降对字错率是变好。
错误检测与质量评估谁更关键？迭代几轮就够了？
消融要回答两个操作问题：只用错误检测、只用质量评估、两者都用，哪种组合最稳；修正迭代多少次后收益消失。论文在稳定性基准上用失败率与预测平均意见分衡量，失败率越低越好，质量分越高越好。结果显示两者单独使用均优于基线，错误检测影响更大，两者结合最好但仅略优于单独错误检测。对流匹配模型的失败率从约 12% 降到 6%，说明误读减少是主要收益。未评测边界是该结论基于所选后端与该基准分布，未测量延迟与计算开销，不承诺迭代修正一定省时。
下表整理偏好与修正的关键数字，均为正文原句覆盖的可运行策略收益，列数满足宽表要求。
| 任务阶段 | 指标 | 修正前 | 修正后 | 变化幅度 |
|---|---|---|---|---|
| 偏好优化 | 音色相似度 | 基线水平 | 0.683 | 升至更高分数 |
| 语音修正 | 字错率降幅 | 通用基线 | 流匹配修正版 | 降低 21% |
| 语音修正 | 字错率降幅 | 通用基线 | 编辑模型修正版 | 降低 32% |
| 稳定性 | 失败率 | 12% | 6% | 减半 |
上表需注意百分点与相对百分比不同，0.18 个百分点是绝对差值，21% 与 32% 是相对通用基线的降低比例，不可混算。失败率减半对应流匹配模型在消融中的表现，不代表所有基线都有相同幅度。 下段看迭代次数与失败率曲线，确定复现时的停止时机。
看图路径： 1. 先确认横轴迭代 0 到 5 与纵轴评估失败率百分比的范围；2. 再比较紫色 VoiceCraft 曲线与红蓝两条曲线下降幅度与起始高度差异；3. 最后观察 2 次迭代之后三条曲线是否都进入平坦平台期
论文图 5。原论文 Figure 5：“Iterative speech correction and resulting TTSDS2 evaluation failures.”。
上图横轴为修正迭代次数 0 到 5，纵轴为评估失败率百分比，3 条曲线分别对应流匹配修正版、语言模型修正版与语音编辑修正版。共同趋势是随迭代增加失败率下降，前 2 次下降最快，2 次之后进入平台期，继续迭代几乎无增益。语音编辑起点最高约 34%，下降幅度最大但平台仍高于另两条，说明起点差的模型可通过修正大幅改善，但难以完全追平起点好的模型。论文据此把最大迭代设为 2，这是兼顾效果与成本的选择，而非每步都有效。
哪些结论有边界？什么还没测？
论文直接报告的是在给定测试集、给定转写与相似度模型下的字错率、相似度与主观分变化，支持局部修正与细粒度偏好能提升稳定性与保真度。有限解释是跨模态对齐与预训练检查点重要，因为无预训练时细粒度指标显著下降，但未做更细的冻结与更新对照，不能断定哪一层预训练知识起决定作用。未验证推测是把相关性当因果，例如质量分相关高不等于人类一定更喜欢，自动预测分不能当成人评。
缺失证据不是技术错误，但复现时要明确：未报告训练与推理硬件、耗时、输出帧率与实际延迟，不能承诺修正降低延迟；未报告误判率，即把正确段判为错误的比例，不能承诺无损改写；偏好训练超参数不全，不能直接复跑。总体趋势不等于每组都成立，例如偏好训练超过 2000 步后性能回落，修正对音色相似度提升很小。阅读时应把成功归因限定在误读与低质段修复，而非通用语音质量全面提升。
要复现应先准备什么、按什么顺序跑？
复现先做数据与环境准备。按原文交代，需准备文本提示来源、提示音频来源、合成用基线模型，以及转写、强制对齐与美学打分工具，划分保持训练 2 万、验证与测试各 1 千的量级，并覆盖 4 类错误分布。若无自建数据，可先用论文描述的温度与引导尺度扰动加噪声增强构造小规模验证集，但不可自称复现了原文分布。模型方面需下载语音文本预训练检查点，评估器结构按 6 层变换器、双向长短时记忆时间头与 3 层感知机质量头搭建，训练用三项损失之和，学习率与批量按原文设置，长音频切 30 秒。
推理顺序为先跑 1 次生成，再跑评估器得到时间范围与预测文本，做动态时间规整找失配词，加边距构造遮罩，调用编辑模型重生成，最多两轮，最后用质量分与字错率筛选是否保留。偏好优化需先用评估器挑选胜负对，只对标注段算损失，并监控 2000 步附近的峰值，避免过训练。代码开源、权重下载与系统可运行是三件不同的事，论文正文未给出代码库状态，解读时不虚构已开源，只能说按原文结构可重新实现，权重与完整管线需等待作者发布。
何时值得尝试这种先评估后小改的思路？
当任务是 1 次生成难免出错、但错误集中在小片段，且整句重生成成本高或易引入新错误时，值得尝试先评估后小改。适用条件是能获得帧级错误标注或可用评估器自动挖掘胜负对，且编辑模型与原生成模型的音色与风格衔接良好。论文特有的误解是把评估器当成通用语音质量模型，实际上它的时间头依赖目标文本的联合编码，没有文本时无法判断语义失配，只能做纯声学质量估计。
收束全篇：评估器同时给出哪里错、错成什么、整句多好，修正循环用位置信息做遮罩重写，偏好优化用位置信息聚焦损失。最强证据是修正后字错率与失败率的双降，以及评估器自身在定位与转写上的领先；主要代价是需要自建细粒度标注与两轮改写开销，且偏好训练存在饱和点。后续还需补的验证是误判率、延迟成本与跨领域错误类型的泛化，这些补齐后才能判断该方法在播客与有声书长内容生产中的实际收益。
⚖️ 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