词级定位而非句级知道：WESR 把笑声哭声放回词的位置

英文题目：WESR: A Benchmark and Strong Baseline for Word-level Event-Speech Recognition

会议身份：conference:acl:2026:conference-paper-id:2026.findings-acl.153

✅ 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。

会议来源：官方记录 · 官方 PDF

标签：#基准测试 #数据集 #基准设计 #语音识别 #音频事件检测

评分：8.7/10 | 创新 1.5/2 | 技术严谨 1.3/1.5 | 实验充分 1.2/1.5 | 清晰度 0.8/1 | 影响力 1.2/1.5 | 开源 1.2/1.5 | 可复现 0.3/0.5 | 工程/实践 1.2/1.5

排名：前25% | 文档类型：数据集与基准

👥 作者与机构

• Chenchen Yang：机构信息未能从会议 PDF 纯文本可靠映射
• Kexin Huang：机构信息未能从会议 PDF 纯文本可靠映射
• Liwei Fan：机构信息未能从会议 PDF 纯文本可靠映射
• Qian Tu：机构信息未能从会议 PDF 纯文本可靠映射
• Botian Jiang：机构信息未能从会议 PDF 纯文本可靠映射
• Dong Zhang：机构信息未能从会议 PDF 纯文本可靠映射
• Linqi Yin：机构信息未能从会议 PDF 纯文本可靠映射
• Shimin Li：机构信息未能从会议 PDF 纯文本可靠映射
• Zhaoye Fei：机构信息未能从会议 PDF 纯文本可靠映射
• Qinyuan Cheng：机构信息未能从会议 PDF 纯文本可靠映射
• Xipeng Qiu：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

词级事件语音识别以音频为输入，直接输出带词级位置的转写，需区分插入式离散事件与包裹词跨度的连续事件，难点在于笑说哭腔等调制型发声与词汇内容高度耦合且位置改变语义。作者先用BEATs音频向量检索与AF-CLAP文本检索的混合检索挖掘稀疏事件候选，得到候选集供专家标注以构建WESR-Bench金标准。接着以事件保留对齐将假设转写映射到参考文本，解耦词错误与事件定位，使连续事件可按词重叠部分得分而离散事件要求精确插入点。然后在包含1767小时英汉语料的WESR-Train上对多底座监督微调，所得带事件标签的转写输出直接进入位置感知协议评测单句多事件定位。相对以往句级分类加词错误率或简单位置惩罚的评估，该协议原生支持单句多事件并区分连续与离散计分，具有更精细的定位诊断意义。在WESR-Bench基准下，WESR-Qwen的宏平均F1为38.0，高于Qwen3-Omni的16.9。该结论适用边界受限于英汉自然语音的21类人声事件，对低资源语言与强噪声重叠场景尚未验证。原文未披露训练、推理或部署成本。

🔗 开源与复现资源

• 代码相关资源：https://github.com/Cr-Fish/WESR — 链接可访问（HTTP 200）
• 数据相关资源：https://github.com/Cr-Fish/WESR — 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，输出必须保留什么？

这篇论文的输入是一段自然语音，可能是影视、播客、直播或有声书里截出来的一句话，里面既有人说话的词，也混着笑、哭、咳嗽、耳语、喊叫、唱歌等非言语发声。目标输出不是干净的纯文本，而是一行带标签的转写：词本身要写对，事件也要写对位置。必须保留的信息有 3 层：第一是词汇内容，第二是事件类别，第三是事件落在词序列的哪里。举例来说，同样一句道歉的话，笑声包住前半句与只落在最后一个词上，听感和含义完全不同，句子级分类给一个全句有笑是讲不清这种差别的。

传统做法分两头走。一头是自动语音识别，白话就是把声音听写成文字，英文名 Automatic Speech Recognition，后文简称 ASR，它通常把笑声当噪声丢掉。另一头是声音事件检测，白话就是判断整段音频有没有某类声音，英文名 Vocal Event Detection，它能给类别但不和词对齐。论文要做的词级事件语音识别，白话就是在词流上同时恢复词与事件，英文名 Word-level Event-Speech Recognition，后文简称 WESR。研究生复述时要抓住这句：WESR 的输出序列中每个元素要么是词，要么是事件标签，连续事件用成对标签包裹一段词，离散事件用单个标签插在词之间。

代码与数据当前可用是本解读写作时的重要条件。论文首页注明代码与数据地址，资源核验显示代码仓库与数据集链接本次均可达，状态码均为 200。因此可以写当前已公开可用，复现者能拿到仓库再谈细节。若链接不可达则不能这样写，这是本文遵守的核对原则。

已有路线在同一任务上缺了哪一块？

先看 ASR 路线。以 Whisper、SeedASR、FireRedASR 为代表的大规模预训练模型把多语种听写做得很强，但训练目标就是纯文本，笑声、哭腔、耳语方式这类副语言信息不在监督信号里，解码时自然被抹掉。这条路线缺的是事件建模，不是词准确率。

再看事件检测路线。从 ESC-50、VocalSound 到 AudioSet，再到 HTS-AT、PANNs，做法是整句分类或帧级分类。帧级虽然有时间戳，但时间戳是声学时间，不直接对应词序号，也没有和语义联合建模。也就是说它能说第几秒有笑，不能说笑包住了哪几个词。

第三条是近年出现的非言语语音语料路线，论文用一张对比表把它们摆在一起。按论文归纳，这类工作有 4 类短板：一是类别少或标签区分度弱；二是高质量可评测的标注量小；三是连续事件定义不清，很多所谓连续只是声音叠加，不是边哭边说这种调制语音本身的方式；四是评测只用词错误率加句级分类分数，或只能处理单事件、不能处理跨词区间。教学例子：若一句话里既有句首咳嗽又有句尾边笑边说，旧指标要么只算对一个，要么把位置罚分算得很粗。

自动语音识别 × vocal 事件检测： 自动语音识别负责把语音内容转成词序列，分工是保词汇正确；vocal 事件检测负责判断音频中是否出现笑、哭等类别，分工是保事件类别正确；二者搭配的理由是词级事件语音识别既要词对又要事件位置，组合意义是把两条原来分开的路线合并为带事件标签的转写序列输出。

这座桥说明 WESR 不是另起一个孤立任务，而是把两条旧路线的输出拼成一个可训练、可评测的序列：词对了还不够，事件类别与词位置也要同时对。

21 类标签如何切分，输出格式长什么样？

论文先从已有文献和播客直播等真实场景中列出候选事件，再在一小批试标注数据上做试点，删掉标注员经常判不准的模糊标签，最后收敛到 21 类。这个动作对初学者很关键：类别不是拍脑袋定的，而是用可标注性筛选过的。21 类里 15 个是离散型，6 个是连续型。离散指短促独立的一声，如笑声、轻笑、咳嗽、清嗓、吸气、呼气；连续指持续调制一段话的方式，如边笑边说、边哭边说、喊叫式说话、耳语、喘气式说话、唱歌。

输出格式沿用两套括号。方括号如 [laughs] 表示点事件，插在词之间。尖括号成对出现如 <laughing> … </laughing> 表示区间事件，把受影响的词包起来。一句话可以混用多类标签。论文给出的中文与英文例子包括句首清嗓后接说话、句中笑声插入、整段耳语或唱歌包裹全句，以及喊叫区间后紧跟一声轻笑的混合情形。形式化地说，输入音频对应输出序列，序列元素是词或标签，连续标签必须成对且位置精确。

这段导读对应任务总览图，帮你先建立输入到输出的直觉。图上半是一条按颜色分段的波形加文字，下半对比两种输出：一种是干净文本，一种是带标签文本。

看图路径： 1. 先看上半部分波形条带按颜色分段的含义，再看下半部分纯文本与带标签文本的差别；2. 对比传统输出丢掉的两处信息分别落在句首和句尾；3. 确认离散标签用方括号单点插入、连续标签用尖括号包裹一段词

论文图 1。原论文 Figure 1：“Task overview of our WESR that generates transcripts with explicit word-aligned continuous/dis- crete event tags.”。

这张图要传达的不是模型结构，而是任务定义的变化：传统 ASR 只保留词，把波形开头的大笑和结尾的耳语方式都丢了；WESR 则在句首插入离散笑声标签，在句尾用区间标签包住耳语部分的词。颜色在这里只是区分语音段与事件段的示意，不代表具体声学特征数值。复述时记住方括号是点、尖括号是段，就抓住了全文符号体系。

从音频到带标签文本要走哪几步？

全流程可以沿一个样本走一遍。输入是一句英文：有人先小声说 hello，随后笑了一声。理想输出是耳语区间包住 hello，再在句尾插入一个笑声点标签。模型要同时做三件事：听出词是 hello，听出发声方式是耳语并确定其左右边界，听出句尾有一个独立笑声并确定插入点。训练时这些都来自转写序列中的特殊词元监督，推理时模型自回归地生成词与标签混排的序列。

数据侧分两条线。评测线是 WESR-Bench，900 多句专家标注，覆盖 21 类，目标是金标准。训练线是 WESR-Train，1700 多小时弱标注，目标是教会模型。两条线都从网页音频出发，先降噪和质量过滤，再用混合检索捞候选，最后走不同标注路径。评测线走人工，训练线主要走大模型自动标注加开源数据映射。这种分工保证评测干净、训练量大。

评测侧另有一套位置感知协议，作用是把词错与事件错分开。直觉是先把预测的词与参考的词对齐，对齐时不删除事件标签，再在对齐后的词与词间位置上逐类算命中、误报和漏报。这样即使词有个别拼写差异，事件位置仍能在同一坐标系下比较。这是全文方法上最值得复述的一步。

评测协议如何把词错与事件错分开？

评测分 3 步。第一步是事件保持对齐，白话就是在对齐词时保留事件标签。做法是先把参考中的标签去掉得到纯词序列，把预测拆成词与标签混排的列表，再用序列比对得到插入、删除和替换操作。遇到插入就把参考词补进预测，遇到删除只删非事件词，遇到替换则先取出被替换段里的事件标签，再用参考词替换文本后把事件标签放回最相似的位置。原文附录给出这段过程的伪代码，但本次可核对的公式抽取只有两行片段，不能还原完整计算，因此本解读不展示公式，只讲操作语义。未报告的细节是相似位置的具体度量，原文没有给出公式，复现时需要回到代码核对。

第二步是映射到词与词间位置。对长度为 N 的词序列，共有 N 个词位和 N+1 个词间隙，合计 2N+1 个可挂标签的位置。连续事件挂到词位上形成区间，离散事件挂到词间隙上形成点。这样点与段可以在同一套位置上比较，也天然支持一句话多个事件。

事件保持对齐 × 词与词间位置映射： 事件保持对齐负责在不丢弃预测事件标签的前提下把预测文本的词与参考文本的词对齐，分工是消除纯词错对事件计分的干扰；词与词间位置映射负责把离散标签挂到 N+1 个词间隙、把连续标签挂到 N 个词位，分工是给出可比的位置集合；二者搭配的理由是先对齐词再比位置才能分清是词写错还是事件放错，组合意义是对多事件同句和跨词区间也能逐位置算对错。

这张示意图把第二步和第 3 步画了出来，上面是参考与预测各一行带标签文本，下面是对齐后的逐词格子。

看图路径： 1. 先看参考与预测在笑声位置和耳语区间右边界上的两处错位；2. 再看下方面板中词格与词间隙如何分别承载连续与离散标签；3. 最后核对底行给出的漏检与误报位置与上文错位是否对应

论文图 3。原论文 Figure 3：“Illustration of Steps 2 and 3 of the WESR eval- uation method after Event-Preserving Alignment.”。

图中可见两处关键错位：参考的笑声在句首，预测的笑声挪到了第二个词之后；参考的耳语包到句末，预测的耳语提前闭合。下面的格子用不同底色标出命中、误报和漏检：中间重合的耳语词算命中，句首与句尾错位处算漏检与误报。这种画法说明该协议不只看类别对不对，还看位置放得准不准。像素能辨认的是相对位置关系，具体数值需要以正文表格为准，不要从色块大小读数。

离散事件 × 连续事件： 离散事件负责标记发生在词间隙的短促独立声音，如咳嗽和清嗓，分工是给出精确插入点；连续事件负责标记调制整段话语的发声方式，如边笑边说和唱歌，分工是给出覆盖若干词的区间；二者搭配的理由是真实语音中点事件与段事件常常同句出现，组合意义是用方括号点标记加尖括号区间标记统一表达一句话内的多事件与跨词范围。

第 3 步是按标签类别统计真正例、假正例和假负例，不计真负例，因为对话中大多数位置本来就没有事件。连续标签允许边界稍有偏差时通过词元重叠得部分 credit，离散标签则要求插入点精确匹配，这是后文连续分数普遍高于离散分数的原因之一。

训练集与基线模型是如何构造的？

训练集 WESR-Train 总量 1767 小时，由五部分拼成：开源映射部分包括 NonverbalTTS、NVSpeech-170k、NonVerbalSpeech-38K、SMIIP-NV 的部分音频，加上新爬取并用 Gemini 自动标注的 1299 小时。论文强调做了三件事：用与评测集不同的检索词保证多样性，对评测集去重防止泄漏，把开源标签映射到统一分类并人工抽查。特别指出 NonVerbalSpeech-38K 中连续标签定义与本文不同且错误较多，因此带该类连续标签的音频被排除在训练之外。这个排除动作要记住，它说明训练集的连续事件主要靠新标注数据，而非直接沿用旧定义。

基线训练是在 3 个不同骨干上做有监督微调：Whisper-Large-v3、Kimi-Audio-7B-Instruct、Qwen3-Omni-Instruct。事件标签作为特殊词元加入词表。论文报告的超参数是试出来的：在验证集上试了 3 种学习率后确定。Whisper 用大学习率加小批量在 8 卡上训数小时，另两个大模型用更小学习率加打包序列长度训练。训练轮数均为 3 轮。具体数值见下表，复现时应严格采用原文学习率与批量设置，不要从模型名字推定优化器细节，原文未报告优化器类型与梯度路径时就是缺项。

混合检索 × 专家标注： 混合检索负责用声学向量检索加图文对齐检索从网页音频中捞出稀疏的事件候选，分工是解决随机采样几乎捞不到事件的问题；专家标注负责在候选上独立插入词级标签，分工是提供可信的金标准；二者搭配的理由是检索只管召回候选、标注只管精确位置，组合意义是用少量高质量评测集加大量弱标注训练集分别承担评价与训练。

下表把数据构成与训练配置放在一起讲，回答数据从哪来、模型怎么训。表前的问题是：训练量与评测量是否在同一量级，标注质量如何分工，微调成本是否可承受。公平条件是所有微调模型共享同一训练集，指标方向是事件分数越高越好、词错误率越低越好。

表后需要说清收益与代价。收益是用大规模弱标注换来跨架构稳定的提升，3 个骨干的宏平均分数落在相近区间，说明方法是数据驱动而非只依赖某一大模型。代价是高质量部分依赖商业模型标注与专家人工，成本与可扩展性之间存在权衡，资源受限环境复现会有压力。未胜出项是开源映射中连续标签被排除，意味着旧数据的连续部分没有直接贡献，这是论文明确承认的数据损失。

微调配置与可运行策略是什么？

本节把可运行的训练策略讲全，便于按图索骥。3 个骨干均为全量或指令模型的监督微调，事件标签作为特殊词元。Whisper-Large-v3 学习率为 1×10 的负 5 次方，全局批量 8，预热比例 0.1，在 8 卡 H100 上训 3 轮约 4 小时。Kimi-Audio-7B-Instruct 学习率为 1×10 的负 6 次方，打包长度 4096 词元，在 8 卡 H100 上训 3 轮约 5 小时。Qwen3-Omni-30B 学习率为 1×10 的负 6 次方，打包长度同样 4096，在 8 卡 H200 上训 3 轮约 5 小时。超参数是在验证集上试 3 种学习率后定的，验证集从训练集随机划分。

下表把 3 组配置并排，回答复现先抄什么。表前的问题是：不同规模模型是否用同一套学习率与批量。答案是否定的，小模型用更大更新步，大模型用更小学习率加长上下文打包。指标方向是训练稳定且事件分数提升，同时词错误率不明显恶化。

表后说明代价与边界。代价是 8 卡数小时的算力与特殊词元词表改动，推理时输出变长会增加解码开销，但原文未报告延迟与吞吐，因此不能承诺实时性。未评测边界是其他骨干与更长音频的处理，论文只给出这 3 组可运行配置，换骨干需要重调学习率。

评测集如何采样，基线在什么条件下比较？

评测集构造先解决稀疏性。随机采样几乎采不到事件，因此用混合检索：声学侧用 BEATs 做向量检索，语义侧用 AF-CLAP 对转写文本做检索，每类各设计 3 个文本查询与 3 个音频查询，捞出 1297 句候选再交专家标注。音频先用 MossFormer2 降噪，并用 DNSMOS 低于 2.0 过滤，保证评测音频质量。3 名标注员先培训加资格考试，独立标注且不看检索结果，报酬为每小时 30 美元。标注界面与指南在附录给出。

分布图显示评测集覆盖笑、喊、呼吸、哭、耳语、咳嗽、唱歌 7 个大类，外环再细分到 21 个细标签。从像素看，唱歌与喊叫占比相对大，呼吸与笑也有多块切分，个别如尖叫、咆哮的扇形极小。这意味着评测既有大类可看整体，也有稀有小类考验泛化。复述时不要从图中读具体百分比，论文正文没有给出每块的精确数字。

看图路径： 1. 先看内环七个大类色块的相对大小，确认哪两类占比最大；2. 再看外环每个细标签在所属大类内的切分，找出极小的稀有标签；3. 对比训练集分布图，思考评测集是否刻意保留了稀有类别

论文图 2。原论文 Figure 2：“Tag distribution in WESR-Bench. The inner ring shows major event categories, each represented by a distinct color.”。

这张环形图内环是大类、外环是细标签，颜色区分大类。教学价值在于理解为什么后文要同时报微平均与宏平均：若只看微平均，大类会主导分数；宏平均先按类平均，能暴露小类上的失败。训练集分布与此不同，笑与呼吸占比更大，耳语与咳嗽占比小，这种不均衡是后文部分类别分数低的背景条件。

比较条件方面，开源与商业模型统一用同一指令加两个上下文示例做 2 样本提示，输出要求只含带标签文本。微调模型则直接解码。指标按类别算精确率、召回率与 F1，再做微平均与宏平均。ASR 质量另在 Common Voice 15 英文与中文测试集上用词错误率衡量，计算时去掉事件标签以保证公平。

数据划分与指标聚合如何保证可比？

数据划分上，评测与训练用不同检索词并做去重，防止同一音频两边出现。开源数据的标签映射后做人工抽查，定义不符的连续部分直接丢弃，不强行混入训练。这种宁缺毋滥的处理保证训练标签与评测定义一致。

指标聚合上，每个细标签先算精确率、召回率与 F1，再做微平均与宏平均。微平均对高频类别敏感，宏平均对稀有类别敏感，两者都要看。离散与连续还分别汇总，因为它们的容错规则不同，直接混在一起会掩盖定位精度的差异。统计显著性与置信区间原文未报告，复述时应指出这一缺项，不要把百分点差距说成必然显著。

硬件预算在附录交代清楚，评测成本主要是大模型提示词调用，训练成本是上述 8 卡数小时。复现者若只想验证结论，优先跑已公开的微调权重在评测集上的解码，而非重训全量数据。

谁在词级位置上真正放对了事件？

主结果按 21 类逐项报告，核心结论是微调后的 WESR 模型全面超过提示词基线。WESR-Qwen 的宏平均 F1 为 38.0%，相对原 Qwen3-Omni 提升 21.1 个百分点，相对 Gemini-2.5-Pro 提升 8.1 个百分点。3 个微调骨干的宏平均在 37.7% 至 38.0% 之间，说明提升主要来自数据而非单纯堆参数。离散与连续分开看，WESR-Qwen 在离散上为 0.282、在连续上为 0.641，分别超过最强商业模型约 27% 与 18%。开源提示词基线在离散与连续上大多只有 0.1 左右，商业模型在连续上可达 0.5 量级，但离散仍只有 0.2 左右。

这组柱状图把上述差距画得很直观，横轴是 5 个系统，纵轴是分数，每组三根柱子分别表示离散、连续与宏平均。

看图路径： 1. 先按横轴五组模型从左到右看三根柱子的高度变化；2. 再比较每组内离散柱与连续柱的高低关系；3. 最后确认最右侧本方法两根柱子相对前一组商业模型的抬升幅度

论文图 4。原论文 Figure 4：“Performance comparison between continuous and discrete event tags on WESR-Bench.”。

从像素看，最左侧 Kimi-Audio 三根柱子都很矮，中间两组商业模型连续柱明显高于离散柱，最右侧本方法两根柱子均为全场最高，且连续柱远高于离散柱。纵轴是原始 F1 分数，越高越好，不能把柱子高低反读。图中柱顶标注的数字与正文一致，复述时以正文表格数字为准，不要从像素估读。

微平均 × 宏平均： 微平均负责把所有样本的位置直接汇总再算分，分工是反映高频事件的整体命中情况；宏平均负责先按类别算分再平均，分工是防止大类淹没小类；二者搭配的理由是事件分布极不均衡，组合意义是同时看到系统在常见事件上的实用性与在稀有事件上的泛化短板。

下表整理主结果的关键数字，回答测什么、与谁比、条件是否一致。表前的问题是：在同一提示与同一评测协议下，微调是否同时改善离散定位与连续区间。公平条件是同一评测集与同一位置感知协议，指标方向是 F1 越高越好。

表后解释收益与代价。收益是难类上的召回跃升，例如耳语与轻笑从提示词的十几个百分点提到五十到六十多个百分点，唱歌、喊叫等显著持续事件在多模型上都超过 90%。代价是词错误率小幅上升，英文上升约 1.4 个百分点，中文上升约 1.2 个百分点，论文表述为基本保持转写质量。未胜出项必须点名：呼吸、叹息等低能量类别在所有模型上都差，个别如哭声细标签分数仍是个位数；GPT-4o 与 MiMo-Audio 在该提示下频繁拒绝或不输出标签，不适合此任务，这属于失败条件而非可比基线。

离散与连续哪边更难，聚合后结论还成立吗？

论文把离散与连续分开算分，发现连续分数系统性高于离散。原因在协议里：连续允许边界稍偏时按词元重叠得部分分，离散要求插入点精确命中。这不是说连续任务更容易，而是度量对边界误差更宽容。教学例子：耳语区间右边界差一个词仍能拿到大部分分数，而句首笑声挪 1 位就是 1 次误报加 1 次漏检。

聚合分析把 21 个细标签并成笑、喊、耳语、唱歌、呼吸、咳嗽、哭七大类后再算分，趋势与细粒度一致：唱歌与耳语最好，呼吸最差。这支持细粒度提升不是靠某个怪标签刷出来的，而是大类可分性确实改善。但聚合也会掩盖细类差异，例如笑大类下大笑与轻笑的表现差距很大，只看大类会高估稀有笑声的能力。

另一组对照是不同骨干的比较。1.5B 到 30B 的模型微调后宏平均几乎持平，说明在当前数据量与评测难度下，架构与规模不是瓶颈，瓶颈在稀有事件样本与边界精度。若要继续提升，应补稀有类的训练样本与更精细的边界监督，而非单纯换更大骨干。这属于有限解释，论文没有做去掉某组件的消融，因此不能说拿掉哪一步必然掉多少点。

这套基准测不到什么？

语言覆盖只验证了英文与中文。方法本身与语言无关，但对形态结构不同或资源更少的语言是否有效，论文明确写尚未验证。复述时不能把中英结果推广到所有语言。

资源强度是第二项局限。训练依赖商业模型大规模标注，评测依赖专家人工，论文在局限与伦理部分都承认成本与可扩展性的权衡。这意味着资源受限团队可能难以完全复刻数据管线，只能复用已公开的权重与数据。

数据伦理方面，音频来自公开网页并遵循合理使用，标注员得到公平报酬，但大规模自动标注无法逐条人工核查，可能混入不适宜内容。论文声明出现的内容不代表作者立场，且仅供学术使用。评测协议本身也有边界：它不测延迟、实时性与推理成本，也不测误报带来的人感影响，不能把 F1 提升直接等同于产品体验提升。

复现先做什么，还需补哪项验证？

值得尝试的场景是播客、直播、客服或会议转写中需要保留笑哭、耳语喊叫等副语言信息的任务。若下游只用纯文本做搜索，WESR 的额外标签就是负担；若下游要做情感、意图或剪辑点检测，词级位置才有价值。

复现第一步是拉取当前可用的代码与数据仓库，核对 21 类标签表与提示词模板，按附录把特殊词元加入词表。第二步是用公开的 WESR-Qwen 或 WESR-Whisper 权重在评测集上复跑位置感知评测，先对齐词再算事件位置，确认宏平均 38.0% 量级与离散 0.282、连续 0.641 的相对关系。第 3 步才是小规模微调，用少量新标注数据验证难类召回是否提升，同时在 Common Voice 上检查词错误率是否只小幅波动。

还需补的验证有三项：一是跨语言与跨场景的泛化，二是长音频与多人重叠下的边界稳定性，三是推理延迟与输出长度的代价。原文没有报告这些量，部署前必须自己测量。常见误解是把连续分数高当成连续任务简单，实际上是度量更宽容；另一个误解是把微调后词错误率小幅上升当成转写变差，实际上是在新增任务下的正常权衡，应看绝对增量是否在可接受范围。

一句话收束：该记住的方法与数字是什么？

记住三件事。任务上，用 21 类中 15 离散加 6 连续的划分，把事件放回词序列的位置，方括号是点、尖括号是段。方法上，用混合检索解决稀疏采样，用事件保持对齐加词与词间位置把词错与事件错分开，用 1700 多小时弱标注训练换来跨架构稳定的提升。数字上，WESR-Qwen 宏平均 38.0%，离散 0.282、连续 0.641，词错误率英文从 7.2% 到 8.6%、中文从 6.0% 到 7.2%，唱歌类超 90% 而呼吸类仍是短板。这些数字与代价一起，才是完整的结论。

⚖️ 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