无标签也要会切歌：UniVocal 用语义推断驱动说唱切换

英文题目：UniVocal: Unified Speech-Singing Code-Switching Synthesis

会议身份：conference:acl:2026:conference-paper-id:2026.acl-long.1452

✅ 来源为官方会议 PDF；表格与 Figure 按原文证据绑定。PDF 公式以原页区域图片展示，未冒称作者原始 TeX。

会议来源：官方记录 · 官方 PDF

标签：#课程学习 #音乐 #语音 #歌唱生成 #文本到语音

评分：7.1/10 | 创新 1.5/2 | 技术严谨 1.3/1.5 | 实验充分 1.0/1.5 | 清晰度 0.8/1 | 影响力 1.0/1.5 | 开源 0.0/1.5 | 可复现 0.3/0.5 | 工程/实践 1.2/1.5

排名：前50% | 文档类型：方法研究

👥 作者与机构

• YuFei Shi：机构信息未能从会议 PDF 纯文本可靠映射
• Qian Chen：机构信息未能从会议 PDF 纯文本可靠映射
• Wen Wang：机构信息未能从会议 PDF 纯文本可靠映射
• Xiangang Li：机构信息未能从会议 PDF 纯文本可靠映射
• Zhen-Hua Ling：机构信息未能从会议 PDF 纯文本可靠映射
• Yang Ai：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

该文定义语音歌唱代码切换合成，输入为无标签纯文本与全局场景指令，输出为同一说话人音色下说话与歌唱自然交替的波形，难点在于无乐谱与无切换标签时需从语义推断切换点并维持音色与韵律连贯。为此先用大语言模型生成含隐式与显式触发语的多场景脚本，为切换提供语义锚点。接着用第一阶段对齐后模型以相同说话人嵌入统一合成语音与歌唱片段并经词错率过滤后拼接，形成合成训练样本。最后用两阶段课程学习与精细音分令牌交错思维链完成韵律规划与内容生成，前阶段对齐潜空间为后阶段学习切换奠定基础。与Bark式显式标签控制及单轮单模式级联生成不同，该框架仅用全局场景指令约束任务，细粒度切换完全由文本语义驱动。在SCSBench-Mixed基准下，UniVocal的F1(O)指标为0.871，高于Gemini + Cosy2 + LeVo基线的0.607。该结论适用边界受限于合成分布内文本与偏显式线索场景，在纯隐式真实录音场景泛化明显下降，尚未验证复杂长程真实对话外推。训练成本为4张NVIDIA A800上约6天完成两阶段训练，硬件开销另含流匹配微调阶段。

🔗 开源与复现资源

• 数据相关资源：https://huggingface.co/datasets/nyuuzyou/suno — 暂时无法访问
• 第三方资源：https://github.com/suno-ai/bark — 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，要输出什么，哪些信息必须保留？

这篇解读面向刚进入语音与音乐生成的研究生，目标是把方法讲到可核对、可复述。输入是一段纯文本，不带分段标签，不带乐谱，不带参考唱腔，至多允许一个全局任务描述，例如生成一段独白。输出是一段连续人声波形，其中说话段与唱歌段按文本语义自然交替，且同一说话人音色保持一致。 必须保留的信息包括任务定义、数据构造方式、模型结构改动、2 阶段训练配比、评测划分与指标方向，以及论文明确报告的局限。

日常交流中人会边说边哼，例如讲故事时插入旋律片段，或用歌曲帮助记忆。现有系统多是单模式：文本转语音系统只做口语韵律，歌声合成系统依赖乐谱或风格提示。 最接近已有工作是 Bark，它靠显式标签控制切换，缺乏语义感知且切换不稳定。UniVocal 要解决的是语音与歌唱语码切换合成，也就是 Speech-Singing Code-Switching Synthesis，简称 SCS 合成，切换点完全由文本语义驱动。下面先看任务全景图，理解为何单模式与 1 次一模式的统一模型都不能直接用于该任务。

看图路径： 1. 先看左侧两行输入箭头：上行只接文本，下行同时接文本与乐谱符号；2. 再看右侧上下对比：上一行输出用或字连接两个气泡，下一行同一气泡内混排黑字与红字；3. 注意最下行气泡内红色唱词与黑色说词的拼接位置及右下人物图标

论文图 1。原论文 Figure 1：“Common audio generation tasks, categorized into specialized tasks on the left and unified tasks on the right.”。

这张图左侧展示专用任务：上面是文本转语音模型，从文本到波形再到说话气泡；下面是音乐生成与歌声合成模型，同时接收文本与乐谱符号，输出唱歌气泡。右侧上方是统一音频生成模型，虽然能接受两种输入，但 1 次输出仍是说或唱二选一，用或字连接两个气泡表示。右侧下方是 UniVocal，只接一段文本，输出波形对应气泡内同时包含黑色说话句与红色唱歌句。由此可见 SCS 不是拼接 2 个模型，而要在一个自回归过程内完成模式推断与声学连续生成。

同输入同目标的工作此前卡在哪里？

按同输入、同目标、同监督来对照，专用音频生成是一条路线。Seed-TTS 与 CosyVoice 等文本转语音模型在说话人相似度和稳定性上表现强，但训练目标限定为口语韵律，缺乏旋律建模能力。音乐生成与歌声合成模型则优先遵循音乐规则或给定乐谱，重视音乐准确性而非自然语言表达，缺乏口语所需的韵律灵活性。 论文指出这种设计差异构成结构性障碍，两类专用模型都无法在单个生成模型内支持自动语码切换。统一音频生成是另一条路线。

UniSyn 与 UniAudio 用多任务训练同时处理说话与唱歌，但按指令 1 次只生成一种模式，无法做序列内切换。Vevo2 引入中间韵律令牌同时建模说与唱，但需要参考音频决定输出模式。 Bark 尝试用显式控制标签做混合模式，但需要人工标注标签，且模式过渡不稳定，更重要的是缺乏从文本内容判断切换点的语义意识。韵律建模路线也相关：语义切分器能抽高层语言内容但丢声学细节，导致韵律平坦；声学切分器保真度高但把音色、内容、韵律混在一起。

已有工作尝试加入基频信息改善语音，但缺乏唱歌所需旋律精度。Vevo2 用色谱建模说与唱，但 12 半音分辨率对自然语音微韵律太粗。UniVocal 的选择是保留语义令牌保证稳定，再用高分辨率音高令牌补细节，并用思维链顺序显式规划音高。

SCS 任务如何定义，难在哪里？

举一个教学例子帮助理解，注意这只是例子，不代表论文数据：输入文本为我今天很累，突然想起一句月亮代表我的心，接着说完就去睡了。期望输出是前后为说话语气，中间一句为唱歌，且为同一音色。难点有三：何时切换由语义决定，没有标签；切换后音色不能漂移；唱段要有旋律，说段要有自然韵律。

论文把 SCS 形式化为：在全局指令界定场景的前提下，细粒度说唱切换完全由输入文本内容自主推断。训练数据稀缺是现实约束，真实世界中同一人同一句内说唱混排的标注数据极少。评测也难：既要评切换时机是否准确，又要评内容一致性、自然度与说话人一致性。 为此论文同时做三件事：定义任务并提出 UniVocal 框架；给出可扩展的数据合成管线与 2 阶段课程学习策略。

引入精细 cent 令牌与链式思维生成做韵律规划，并构建多场景基准 SCSBench。理解这三件事的依赖关系后，才能进入方法全景。下一节先沿一个样本走完从文本到波形的完整路径，再展开每个组件的计算细节。

沿一个样本走完输入到输出需要哪些步骤？

先沿一个样本走一遍。假设输入为全局指令生成一段独白加分隔符，再加待合成文本，其中叙述为散文，歌词为抒情重复句。文本先与可选的自然语言任务描述一起送入文本到声音语言模型，也就是 Text-to-Vocal LM。该模型在每个时间步按顺序先生成一个精细 cent 令牌，再生成一个语义令牌，两类令牌帧率均为 25 赫兹。 随后两类令牌连同提示音频一起送入下游模块生成梅尔谱，再经预训练 HiFi-GAN 声码器重建波形。

全局指令与隐式切换的组合是关键。全局指令只定义整体场景，不标注段内标签；段内说唱由文本语义自主推断。这种设计让同一框架能执行语音合成、歌声合成与语码切换合成。 下面的结构图把上述路径画了出来，重点看两条令牌流在哪里汇合。

看图路径： 1. 从底部任务描述与待合成文本向上追踪到黄色语言模型条；2. 观察中间蓝色与绿色方块蓝绿交替排列的生成顺序；3. 再看顶部音高嵌入与语义嵌入如何汇入流匹配与声码器

论文图 2。原论文 Figure 2：“Overview of UniVocal. The Text-to-Vocal language model receives the text to be generated, along with an optional natural language description of the task.”。

图中底部是任务描述虚线框与待合成文本实线框，共同指向黄色长条的文本到声音语言模型。模型上方是蓝色精细 cent 方块与绿色语义方块交错排列，虚线表示推理过程，实线表示训练过程。上方分别经音高嵌入与语义嵌入汇入橙色条的流匹配与声码器，左侧头像表示提示音频输入，顶部为输出波形。左侧图例明确蓝色为精细 cent 令牌，绿色为语义令牌。读图时可执行：先确认底部到顶部的单向主路径，再确认蓝色与绿色在嵌入层才汇合，说明规划与重建是分阶段的。

全局指令 × 隐式切换： 全局指令分工是界定本次生成是独白、播客、有声书或歌曲等任务范围，只出现在输入前缀；隐式切换分工是在同一输出内部由文本语义决定何处从说变为唱，不依赖分段标签。搭配理由是要把任务级控制与句内细粒度切换解耦，组合意义是同一框架既能做常规单模式合成，又能在 SCS 任务中自主完成段内模式转换。

精细 cent 令牌与交错思维链如何计算？

先解释术语。语义令牌来自有监督语义切分器，保留语言内容但丢失细粒度音高；精细 cent 令牌是论文引入的高分辨率音高表示，把线性频率映射到以 440 赫兹为基准的对数 cent 尺度，再对 1200 取模折叠到一个八度内离散化。白话说，半音太粗，cent 把每个半音再切 100 份，1,200 份正好一个八度，再加一个负一表示清音无声区。 论文报告最大量化误差为 1 cent，约 0.08% 频率偏差，感知可忽略，1,200 档经消融验证为适合本任务的粒度。

主干为 24 层因果 Transformer，约 0.5B 参数，扩展原词表加入 1,201 个精细 cent 令牌并随机初始化嵌入。波形重建沿用 CosyVoice 2 的流匹配模块，但新增随机初始化嵌入层处理精细 cent 令牌作为补充条件。

语义令牌 × 精细 cent 令牌： 语义令牌分工是承载语言内容的高层表示，保证可懂度和生成稳定性，但丢失细粒度音高；精细 cent 令牌分工是补充对数域高分辨率音高轮廓，提供韵律与旋律信号。搭配理由是单一语义流无法同时兼顾稳定与表现力，组合意义是形成先规划音高轮廓再生成语言内容的链式结构，新增作用是在共情语音和歌唱中获得更细的韵律控制。

交错生成的计算目标是联合概率分解。记指令增强后的输入文本为条件，长度为多帧的交错目标序列为每帧的 cent 令牌与语义令牌对。模型先预测本帧 cent 令牌，再以它为条件预测本帧语义令牌。推理时用对数掩码强制顺序：在预测 cent 步把语义词表对数置负无穷，反之亦然，从而保证严格交错。这种先画音高轮廓再填语言内容的机制被论文称为规划后生成。

文本到声音语言模型 × 流匹配与声码器： 文本到声音语言模型分工是自回归交错生成精细 cent 令牌和语义令牌，完成内容与音高框架的规划；流匹配与声码器分工是把两类令牌加提示音频映射为梅尔谱并重建波形。搭配理由是把离散规划与连续声学重建分离，组合后语言模型专注切换与韵律决策，下游专注音质与音色保持。

作为模块化组件，精细 cent 令牌可省略以优先保证对齐型任务的稳定，也可接入以激活审美型任务的韵律规划。论文未报告梯度在流匹配与语言模型之间是否联合回传的具体冻结细节，此处不推定，只按证据说明语言模型与流匹配分阶段优化。下一节讲这些组件是在什么数据与课程下学会切换的。

数据如何合成，两阶段如何训练？

数据合成管线分 3 步。第一步语义文本生成，用大模型生成跨独白、个人播客、有声书的边界模糊脚本。说话保持散文叙述逻辑，唱歌为抒情重复情感强化，形成隐式线索；约一半样本在唱段前插入显式过渡句，由模型扩展种子句生成，所有特殊标签词被排除。第二步统一声学合成，用第 1 阶段对齐后的模型生成两段音频。

说段按情感配外部情感参考音频以匹配文本情绪，唱段只按目标说话人嵌入生成，两段间插 0.25 秒静音后拼接，同一说话人嵌入保证音色一致。第 3 步质量过滤，用识别模型算词错率，20% 为经验阈值平衡质量与数量，高于等于 20% 丢弃，中等词错率保留但用识别文本保证对齐，约丢弃 15% 初始样本。课程细节是：第 1 阶段用 4 比 1 的唱歌比说话比例继续预训练，唱歌带风格指令，说话用标准格式。 第二阶段用 1 比 1 比 1 的语码切换、说话、唱歌混合做有监督微调，防止灾难性遗忘。

优化器为 AdamW，动态批按每批最长 4.5 分钟，全部在 4 张卡上约第 1 个阶段 5 天、第二阶段 1 天。下表整理合成语码切换数据集的场景统计，回答数据覆盖是否均衡的问题，样本数与时长越大覆盖越广。

表中独白条数最多，播客平均时长最长，有声书居中，总计 10000 条量级与数百小时量级，三场景总时长接近。这支持论文称多场景多样性的说法，但也提示情感分布偏向开心，其余情绪占比较少。复现时需注意情感偏斜可能影响共情评估，且歌声侧仍受合成数据质量约束。

第 1 阶段对齐 × 第二阶段切换学习： 第 1 阶段对齐分工是在统一隐空间内拉近说话与唱歌分布，建立双模式独立生成能力；第二阶段切换学习分工是用合成语码切换数据教会模型识别语义触发点。搭配理由是若直接混训模型难以同时学分布与切换边界，组合意义是形成先对齐再学切换的课程，新增作用是保留常规任务性能的同时获得自动切换能力。

评测在什么条件下比较，指标方向是什么？

评测分 3 个能力域。语码切换能力用 SCSBench，为合成数据的留出子集约 1000 条量级，按线索类型分隐式、显式、混合各约三分之一，每类内独白、播客、有声书均衡分布。常规与共情语音用 SeedTTS 测试集与 50 句共情集，覆盖多种情绪，推理时只给音色不给情绪参考。唱歌用短句集配数秒提示音与流行风格指令，以及覆盖多风格的长歌集配风格提示。 基线条件需核对一致性。

级联基线为大模型先按语义切分，再分别合成后以 0.1 秒静音拼接：其中一组受限于最长 20 秒需再切分，另一组说与唱用同一目标说话人。UniVocal 则用场景指令与随机说话人直接生成。这种比较对级联有利，因为切分由大模型显式完成，而 UniVocal 需自主推断。指标方向为：词错率越低内容一致性越好；说话人相似度越高越好。

自然度越高越好。 歌唱审美与音质越高越好；切换 F1 把唱歌视为正类，在句子级由大模型经上下文学习或人工按声学韵律判说唱，再算宏平均与微平均，越高切换时机越准。人评用 3 分制，分别评情感、韵律、自然度、音乐性。下表汇总训练数据与算力配置，回答复现需要准备什么规模资源的问题，数值越大表示成本越高。

该表含义是：合成切换数据为 10000 条量级，通用语音近 1000 小时，歌声约 1000 小时，主干为中小规模语言模型，2 阶段共约一周多卡训练。复现时应先准备声部分离与去混响后的英文歌声数据，并注意原文指出歌声数据仍有电流音与风格标签弱相关，这是声学上限的重要来源。

切换时机与音质的主结果支持什么判断？

先看样本内音色一致性热力图，它回答切换时音色是否漂移的问题，颜色越深相似度越高。

看图路径： 1. 对比左右两张热力图对角线外区域的颜色深浅；2. 重点看左侧第三行与其他列交叉格是否明显变浅；3. 再看右侧所有非对角格是否保持较深的一致蓝色

论文图 3。原论文 Figure 3：“Intra-sample speaker consistency. Pairwise similarity heatmap between five temporal segments, av- eraged across all generated samples from each system.”。

左图为级联系统，右图为 UniVocal，横纵轴均为 5 个时间段。左图第三行列交叉格明显变浅，说明唱段与其他段音色断裂；右图所有非对角格保持较高相似度，说明统一架构跨段一致性显著更高。尽管全局相似度指标上级联略高，但段内稳定性上 UniVocal 占优，这支持统一建模减少音色漂移的判断。

显式线索 × 隐式线索： 显式线索分工是指唱段前插入的过渡句，给出强锚点以稳定切换学习；隐式线索分工是指叙述散文与抒情重复句式本身的语义文体差异，驱动无标记切换。搭配理由是为了同时覆盖自然文本中强弱不同的触发条件，组合意义是让训练数据包含从易到难的切换难度，测试时可分层评估模型对语义的敏感度。

主切换精度上论文报告在混合线索集上达到高水平客观与主观 F1，超越级联基线，且词错率最低、自然度最高，反映内容一致性与自然度优势。说话人全局相似度略落后于级联，论文归因于歌声训练数据质量差。常规语音上 UniVocal 在英文集自然度居前，相似度轻微下降；共情集上显著超过基线，接近商业系统。下表汇总切换精度与评估者一致性的关键数字，回答自动指标是否可作为系统级代理的问题，数值越高表示切换越准或一致性越强。

该表后需要强调代价与边界：客观 F1 用转录加逗号分句加模糊匹配，哼唱按计数处理，硬负例迫使模型忽略歌词文本只看声学。样本级相关虽显著但仅中等，因短样本 F1 常坍缩为二值，连续方差不足压低线性相关。系统级排序完全一致才支持其作为系统基准代理，不能把自动指标当细粒度人感。

歌唱长歌主观自然度与音乐性超过部分基线，平衡了保真与旋律约束，但未胜出项是全局相似度与部分审美指标，仍受数据质量限制。

去掉思维链与课程学习后哪里变差，哪里反升？

消融比较富有教学意义的三行：完整表达配置、去掉精细 cent 即无思维链、去掉课程即 1 阶段混训。去掉思维链后切换稳定性反升，但代价是可懂度与审美下降，情感与韵律主观分下降，词错率上升。这说明思维链不是为切换稳定性，而是为表现力，存在稳定性与表现力的权衡。去掉课程后切换 F1 大跌，词错率上升，虽语音合成尚可，但无法捕捉细微语义触发。 这证明第 1 阶段对齐是学复杂切换的前提。

为验证精细 cent 是否真做规划而非仅补细节，论文抽取推理生成的 cent 与最终音频提取的真实 cent 算相关，在共情集与长歌集上等级与线性相关均为正，支持其勾勒主音高轮廓、语义令牌补细节的解释。共情来源进一步分离：仅第 1 阶段数据无思维链的变体已超基线，说明情感多样的歌声数据解锁潜在表达，精细 cent 再放大。下面用三系统热力图做反证，回答统一与级联在一致性上的差异是否稳健。

看图路径： 1. 从左到右比较三个系统的五段相似度矩阵整体色调；2. 观察中间级联系统在第三段上的浅色断裂带；3. 确认右侧统一系统在跨段位置上仍维持深色

论文图 4。原论文 Figure 4：“Intra-sample speaker consistency. Pairwise similarity heatmap between five temporal segments, averaged across all generated samples from each system.”。

从左到右为两组级联与统一系统。左侧统一架构内部一致中等且无剧烈断裂；中间级联在第三段出现浅色带；右侧统一系统全矩阵深色且均匀。结合切换 F1 看，UniVocal 在精确切换、全局相似、段内一致三者间取得最佳平衡，而部分基线虽内部一致但切换 F1 低，另 1 级联虽全局相似高但段内断裂。

这提示不能单看一个相似度指标，需同时核对切换精度与分段一致性。下表回答加显式锚点是否有帮助的问题，F1 越高切换越准。

表中级联在真实场景中等，增强后提升；UniVocal 在真实仅低水平，增强后反超并接近域内水平。表后解释是：无显式触发时 UniVocal 受合成与真实分布差距影响大，初始泛化弱；手动插入一个显式语义线索后泛化明显改善。这既是主要收益，也揭示对纯隐式真实场景的依赖短板，不能把增强后数字推广为无提示也能泛化。

哪些边界尚未验证，不能承诺什么？

论文明确报告 3 类局限。数据质量约束方面，歌声来自合成歌曲，经声部分离、质量过滤约 60%、去混响、能量检测切至最长 4 分钟、转录加音素每秒率过滤，最终约 1000 小时，但仍有明显电流音与歌词错位，上限了唱段声学保真与语义一致性。真实场景差距方面，合成训练多为说段，真实数据需剪唱段对齐分布。 纯隐式线索下模型易把抒情句误判为叙述散文，哼唱因非词形对比强烈反而易切换，说明对显式锚点仍有依赖。

评测精度方面，样本级 F1 在短样本上常坍缩为二值，连续方差不足压低线性相关，样本级相关虽显著但仅中等，系统级排序完全一致才支持其作为系统基准代理。未测量项也不能承诺：论文未报告误判率、延迟、实时因子与推理开销，实际延迟需另测。 总体趋势不等于每组每步都成立。相关性不等于因果，cent 相关高支持规划解释，但不等同证明因果必要性。

伦理上论文称仅学术用途，用开源语音与音乐数据避免真实人声隐私争议，模型以限制性许可发布，禁止商业滥用与冒充。初学者应把这些边界当作复现前的检查清单，而不是技术缺陷的否定。

何时值得尝试，复现先做什么？

当任务需要同一说话人同一句内说唱混排，且只能从文本语义推断切换点时，值得尝试 UniVocal 路线；若已有乐谱或允许人工标签，专用歌声合成或显式控制可能更直接。当数据只有纯说或纯唱而无切换标注时，其合成管线有参考价值。复现先做四件事。第一，按附录准备数据：用大模型生成三场景脚本并控制隐式文体差异与显式过渡句比例，记录情感分布。

第二，用第 1 阶段模型统一合成并固定说话人嵌入，说段加情感参考，段间加 0.25 秒静音；用识别模型按阈值过滤并保留转录对齐。第二，复现精细 cent：实现基准对数转换、模折叠、清音标记、上取整离散与词表扩展，以及交错掩码。第三，按唱说比与 3 类均衡 2 阶段训练，先验证双模式独立生成，再验证切换 F1。 第四，用三子集分层评测，同时报告词错率、相似度、自然度与人评 F1，避免单指标结论。

资源状态需如实说明：本次收到的官方资源中，数据集链接本次未能确认可达，应写本次未能确认可达，不写已公开；第三方 Bark 仓库当前可用，可用于复现级联基线与硬负例理解。论文给出演示页与代码库路径，复现时应以原文核对权重下载与许可限制，区分代码开源、权重可得与系统可运行。

一句话收束：学到了什么，还差哪项验证？

UniVocal 把语码切换定义为无标签语义驱动的说唱切换，用统一声学合成保证音色一致，用 2 阶段课程先对齐再学切换，用精细 cent 交错生成实现先规划音高后填内容。最强证据是混合线索集上的切换 F1 与跨段音色热力图，以及去掉课程后 F1 大跌的反证；主要代价是去掉思维链才更稳、歌声数据电流音限制上限、真实纯隐式场景仍需显式锚点。 还需补的验证是真实世界纯隐式长时分布下的切换精度、cent 规划的因果干预实验，以及延迟与成本测量。

初学者复述时应抓住一条线：输入文本加全局指令，经语言模型交错生成两类令牌，再经流匹配与声码器输出波形；2 阶段与两线索是数据侧关键，cent 分辨率是声学侧关键。记住这些条件与边界，就能在不夸大的前提下判断该方法是否适合自己的任务。

📐 原文公式与排版

以下展示论文原页中的数学表达区域，保留原始上下标、分式和符号排版。区域序号仅用于本文导航，不是论文公式编号。

区域 1 · 查看论文原页

区域 2 · 查看论文原页

区域 3 · 查看论文原页

区域 4 · 查看论文原页

另有 11 个候选区域因边界不明确或图片数量、尺寸限制未展开；请查看完整论文中的原始排版。

⚖️ 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 acl-2026 论文汇总