直接学对话会失语：用课程学习与说话轮次嵌入让流匹配学会双人对话

英文题目：ZipVoice-Dialog: Non-Autoregressive Spoken Dialogue Generation with Flow Matching

会议身份：conference:acl:2026:conference-paper-id:2026.findings-acl.1928

✅ 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：#数据集 #课程学习 #流匹配 #零样本 #语音对话系统

评分：8.5/10 | 创新 1.6/2 | 技术严谨 1.2/1.5 | 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 1.0/1.5

排名：前25% | 文档类型：方法研究

👥 作者与机构

• Han Zhu：机构信息未能从会议 PDF 纯文本可靠映射
• Wei Kang：机构信息未能从会议 PDF 纯文本可靠映射
• Liyong Guo：机构信息未能从会议 PDF 纯文本可靠映射
• Zengwei Yao：机构信息未能从会议 PDF 纯文本可靠映射
• Fangjun Kuang：机构信息未能从会议 PDF 纯文本可靠映射
• Weiji Zhuang：机构信息未能从会议 PDF 纯文本可靠映射
• Zhaoqing Li：机构信息未能从会议 PDF 纯文本可靠映射
• Zhifeng Han：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
• Xin Zhang：机构信息未能从会议 PDF 纯文本可靠映射
• Xingchen Song：机构信息未能从会议 PDF 纯文本可靠映射
• Lingxuan Ye：机构信息未能从会议 PDF 纯文本可靠映射
• Long Lin：机构信息未能从会议 PDF 纯文本可靠映射
• Daniel Povey：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

输入为按起始时间排序合并的交错多轮文本与可变轮次双说话人提示语音，输出是保持各自音色并自然轮转的对话语音，难点在于多音色干扰下语音文本对齐易崩溃且轮次归属易混淆。该工作先在100k小时独白预训练的ZipVoice上建立稳定对齐，再在单通道对话上微调60k步以学习多说话人对齐与轮转动态，接着在文本编码器输出上按说话人身份叠加可学习的说话人轮次嵌入并经平均上采样扩展，最后由向量场估计器与预训练Vocos声码器并行合成完整对话。相比自回归基线逐词元顺序采样，该非自回归流匹配方案免除时长预测器与轮次时间戳并以16步欧拉求解器并行解码。在test-en上其词错率为3.25%，显著优于MoonCast的23.62%和Dia的11.80%，实时率为0.063，约为MoonCast的15分之1。该结论限于双说话人非重叠主场景，中文主观评测仅覆盖10人小样本，多于2人泛化与强重叠鲁棒性尚未验证。原文未披露训练硬件与推理部署成本。

🔗 开源与复现资源

• 代码相关资源：https://github.com/k2-fsa/ZipVoice — 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？

这篇解读的输入是论文正文与两张官方原图像素，目标是让刚进入语音合成的研究生能复述做法并核对条件。必须保留的信息包括任务定义、两处关键改动、数据构造链路、评测协议与可运行的对照数字，输出是 1 篇按学习依赖展开的中文技术说明。

任务是零样本对话语音生成。输入是一段按时间交错的多轮文本，每轮前带有说话人标识，另加一段可变轮次的提示语音，用来指定两个说话人的音色与风格。输出是一段单声道或立体声对话波形，要求三件事同时成立：字要说对，转轮时不能串音色，两个人的音色要分别像提示中的两个人。论文报告，直接把单人流匹配架构搬到对话上会出现听不清与轮转不稳，因此后续设计都围绕对齐稳定与轮转明确展开。

与单人合成的区别在于监督更纠缠。单人合成只需学一种音色下的字音对应，对话则要在两种音色交替、存在重叠与短促应答的条件下同时学对齐与分声。论文把难点拆成两部分：一是多音色下的语音文本对齐容易坍缩，二是轮转归属需要显式条件。理解这一点后，再看课程学习与说话轮次嵌入就不会把它们当成通用技巧，而是分别对应上述两个难点的定向修复。

术语速查与符号阅读方法

为便于初学者回查，这里固定简称：流匹配指学习噪声到语音方向场的生成框架，语音补全指遮住一段让模型按条件补齐的训练任务，非自回归指并行生成全部帧，课程学习指先单人后对话的 2 阶段训练，语音文本对齐指字与帧的对应，说话轮次嵌入指两种身份的可学习向量，说话人标识符指文本中的轮次标记，拼接最小置换词错率指分说话人拼接后的最小词错率，拼接最大置换说话人相似度指最优置换下的说话人相似度。阅读公式与符号时，先看输入是哪些条件，再看目标是估计哪个方向场，最后看损失只在哪些位置平均，避免把声学模仿好误读为对齐好。

已有路线在同输入同目标下各解决了什么？

先说单人非自回归路线。论文回顾了以流匹配为骨干的单人系统，特点是并行生成、训练目标简单、采样步数少于传统扩散。以 ZipVoice 为代表的基础模型包含文本编码器与向量场估计器，均用 Zipformer 作主干，再用预训练的 Vocos 声码器把声学特征转成波形。训练采用条件流匹配目标与语音补全任务，推理按目标文本与提示文本的长度比估计总时长，再用欧拉常微分求解器加随时间变化的无分类器引导生成。这条路线解决了速度与稳定性，但默认输入是单人单轮，不处理轮转。

再说对话生成路线。早期无文本口语模型擅长自然轮转但不能按文本控制，会话式合成 1 次只生成一句并依赖历史，难以保证整段对话的全局结构。近期文本条件对话生成多用自回归架构，例如先由大语言模型生成语义 token 再经流匹配转梅尔谱的混合结构，或直接预测音频编解码 token 的纯自回归结构。论文指出这两类在同目标下有两个可复现的代价：一是逐步采样导致推理延迟高，二是单向建模与曝光偏差带来跳词、重复与长时间不可懂段。

同期也有用预定义时间戳做非自回归对话的工作，论文明确与之区分：本研究不依赖每轮的时间戳，训练不需要带时间戳的数据，推理也不需要外部时长预测器。

这样对照后，本文的选择就清晰了：保留流匹配并行与补全提示的优点，用课程学习补上多音色对齐，用说话轮次嵌入补上轮转条件，用大规模野外对话数据补上数据缺口。

同条件对照小结：速度与稳定性的取舍

把相关工作放在同输入同目标下再小结 1 次，有助于避免类别误比。单人流匹配在同为文本到语音的条件下赢在并行与少步求解，但不处理轮转；自回归对话在同为交错文本到对话的条件下赢在表达力与大模型先验，输在延迟与跳词重复；带时间戳的非自回归对话在同为并行生成的条件下赢在轮转显式可控，输在需要额外标注与时长模型。本文选择无时间戳的端到端并行，用课程与嵌入补齐短板，适合对速度与稳定性敏感、能接受当前表达力上限的场景。若追求极致生动且能容忍延迟与不稳定，则自回归基线仍是可运行的备选，但需自行承担后处理与重试成本。

为什么直接训练对话会得到听不清的语音？

论文用一个失败条件来定义问题。尝试直接在对话数据上从零训练流匹配模型，生成的音频听感像人声且能模仿提示风格，但内容与输入文本对不上，词错率极高。表征上看，说话人相似度与质量预测分仍可维持人声水平，说明声学建模在工作，坏的是字与帧的对应关系。作者把原因归为两种音色交替使对齐学习变难，平均上采样假设每字等长在对话中更脆弱。

举一个教学例子帮助理解，但不代表论文数值。假设文本是第一说话人说你好，第二说话人说早上好，模型若没有轮转条件，可能把两句都用同一种音色说，或在中间切错位置。若对齐再坍缩，则可能输出含糊的填充音。论文的两个改动正好分工：课程学习先让模型学会字音对应，轮次嵌入再告诉模型每字该用谁的音色。后续实验用有无课程、有无嵌入的对照来验证这一拆分是否成立。

整体链路如何从交错文本走到波形？

沿一个样本走完全程有助于建立坐标。输入是按开始时间排序、多轮合并后的交错文本，例如带有第一说话人与第二说话人标识的多句序列。文本编码器先得到每字特征，再按标识取出对应的说话轮次嵌入相加，然后经平均上采样拉长到与语音帧数相同的长度，形成文本条件。语音侧取一段随机长度的前缀作为语音条件，未被遮蔽的语音、文本条件与加噪后的插值特征在通道维拼接后送入向量场估计器，估计从噪声指向干净语音的方向。训练只在被遮蔽区域计算流匹配损失，推理则用提示语音加目标文本经由常微分求解器生成全部帧，最后经声码器得到波形。

下图是理解该链路的关键，先看文字导读再看图本身，图中左侧为训练，右侧为推理，文本条件在顶部，语音条件与噪声语音在中部拼接，底部为干净语音与高斯噪声的对应关系。

看图路径： 1. 先从底部交错文本沿文本编码器向上追踪到平均上采样再到文本条件；2. 再看左侧语音条件与噪声语音如何通道拼接进入向量场估计器；3. 对比训练侧遮蔽丢弃分支与推理侧提示语音加零填充分支的差异；4. 确认说话轮次嵌入在文本嵌入之后相加的位置

论文图 1。原论文 Figure 1：“Illustration of ZipVoice-Dialog training (left) and inference (right).”。

从像素可见，左侧训练分支标出了语音条件中的被遮蔽块、噪声语音的插值公式与均匀分布采样的时间步，右侧推理分支标出了提示语音中带有说话人标识的色块与零填充，中间均有通道拼接符号与向量场估计器模块，右侧还有文本嵌入加说话轮次嵌入再平均上采样的支路。训练与推理共用同一条件构造逻辑，区别在于训练用随机前缀加随机遮蔽学习补全，推理用真实提示加全零待生成段 1 次性求解。这种设计使提示轮次可变，用户给一轮或多轮提示都能指定双人音色，而不需要额外提供每轮时长。

说话轮次嵌入与交错输入各自做了什么？

交错文本输入负责保证完整性与时序。做法是先按起始时间排序各轮，相邻同说话人的话轮合并为一轮，并在每轮前加标识。论文强调对话中轮次常有重叠，这种单序列交错写法能保留每轮完整内容并维持先后顺序，同时把时长建模完全交给流匹配目标隐式学习，不设外部 token 或轮次时长预测器。

说话轮次嵌入负责消除归属歧义。做法是设两个随机初始化的可学习向量，分别对应两种说话人身份，对交错序列中每个字按其标识取出对应向量，加到文本编码器输出上再做平均上采样。论文明确区分它与说话人识别用的向量：后者表征具体人的音色，前者只表征本段对话中的轮次身份，具体音色仍由提示语音提供。向量场估计器因此能在每 1 帧看到带身份标记的文本条件，从而把正确的提示音色分配到正确的轮次。

流匹配 × 非自回归： 流匹配负责给出从噪声到语音的连续变换方向，非自回归负责并行 1 次生成全部帧；二者搭配的原因是流匹配需要以未遮蔽语音加文本为条件才能定向补全，并行则避免了自回归逐词预测的等待与错位累积，组合意义是 1 次前向加多步常微分求解即可补出整段对话。

说话轮次嵌入 × 说话人标识符： 说话人标识符负责在文本层面标出当前轮属于第一说话人还是第二说话人，说话轮次嵌入负责给每个标识对应一个可学习的向量并加到文本特征上；搭配原因是仅用分隔符文本提示区分度不足，连续向量能直接改变条件分布，组合意义是向量场估计器能按轮调用正确的音色而不依赖外部时间戳。

单声道对话正则 × 说话人独占损失： 单声道对话正则负责在立体声微调时交替喂单声道大批量数据以防忘记已学对话能力，说话人独占损失负责惩罚两声道同时高能量的帧以减少重叠劣化；搭配原因是双声道数据少且模型容量小，单靠扩通道易过拟合与 1 通道变差，组合意义是一个保住通用对话质量，一个约束双通道分工。

立体声扩展沿用同一思想但要处理双通道。架构把输入输出特征维翻倍，每半对应一个声道，投影层用单声道权重复制初始化以减少扰动。训练时交替喂双声道与单声道批次并保留两套投影，称为单声道正则。为缓解小容量下重叠段 1 通道变差，引入说话人独占损失：先用欧拉单步估计干净特征并按声道拆分，计算每帧能量，以真值双通道帧能量的中位数为自适应阈值，只惩罚双通道同时超过阈值的帧。论文说明该损失不适合需要保留重叠的场景，复现时需按应用选择是否启用。

课程分几阶段，每阶段更新什么、拿什么监督？

训练分 2 个阶段。第一阶段是单人预训练，直接继承在大量单人语料上预训练好的 ZipVoice 权重，建立稳健的语音文本对齐基础，避免从零学对话时的对齐失败。第二阶段是对话微调，在对话数据上继续更新，使对齐适应多说话人上下文，同时学会按轮分配音色与生成自然轮转。论文未逐层报告冻结与否，复述时只能说整体微调，不从模型名推定某层冻结，梯度路径以流匹配损失经向量场估计器与文本编码器回传为准，说话轮次嵌入随其他参数端到端优化。

监督来源是语音补全下的条件流匹配损失。给定分词文本与声学特征，文本特征经平均上采样得到文本条件，模型重构被二值掩码标记的缺失段，损失只在遮蔽区计算。语音条件是真值对话的随机长度前缀，可含多轮，这使推理时可用灵活轮次提示。优化配置按原文是单声道对话上继续训练 60,000 步，总批量为 4000 秒语音，推理用欧拉求解器走 16 步。立体声模型则在单声道对话模型基础上再微调 25,000 步，用自有双声道数据，交替加入单声道正则批次。

课程学习 × 语音文本对齐： 语音文本对齐负责把每个字对应到正确的音频帧，课程学习负责先在单人数据上建立稳定的对齐再迁移到双人对话；搭配原因是双人音色交替会干扰对齐学习，直接从零学对话容易坍缩为听不清，组合意义是先冻结对齐难题再学轮转与音色分配。

下图展示训练用对话数据的分布形态，阅读时先看导读再看图，图中有三块小提琴图分别对应质量分、轮次数量与单条时长，均按英文与中文子集分组。

看图路径： 1. 先对比左图英文与中文子集在质量分数上的小提琴宽度与中线位置；2. 再看中图说话轮次数量在低轮次处堆积而尾部拖长的分布形态；3. 最后看右图单条对话时长在接近上限处聚集的截断形态

论文图 2。原论文 Figure 2：“Violin plots on English (EN) and Chinese (ZH) subsets of the OpenDialog dataset.”。

从像素可见，左侧质量分集中在 2.8 以上且英文略高于中文，中部轮次数量在低轮次处最宽并向 20 轮以上拖尾，右侧时长在接近 30 秒处最宽并向下拖尾，说明过滤后仍保留多轮与长时对话，但时长受分段上限约束。这一分布与后文构造链路中的时长切分与质量过滤直接对应，复现时应先对齐同样的截断与阈值再比较指标。

数据从哪里来，如何划分，指标朝哪边看？

训练数据有两部分。主体是新整理的 OpenDialog，6.8k 小时单声道对话，含中文与英文野外语音；另一部分是人工转写的自有双声道数据，中文 736 小时加英文 84 小时。评测用两个域外真实自发对话测试集，中文 357 条共 2.23 小时，英文 280 条共 1.84 小时，每条配一段两轮对话作提示。因模型未见过这些数据，可检验域外泛化。

客观指标方向固定：词错率越低可懂度越好，拼接最小置换词错率与词错率的差越小轮转越准，拼接最大置换说话人相似度越高越像提示，质量预测分越高越好，实时率越低越快。主观另有比较平均意见分与相似度平均意见分，分别看相对质量与音色相似。

转写与切分工具按原文交代：英文用 WhisperD 转写并取说话人标识后忽略标识算词错率，中文用 Paraformer 转写；说话人相似度先用 diarization 切成两路，再用基于 WavLM 的说话人模型提嵌入；英文短于 30 秒的子集用于需满足输入长度限制的轮转评测，中文因该工具在中文上性能下降而不计该项。硬件预算只报告了在图形处理器上测实时率，未给出具体型号与批量，复现速度对比时需注明该缺项。

拼接最小置换词错率 × 拼接最大置换说话人相似度： 拼接最小置换词错率负责度量分说话人拼接后转写与参考的最小词错率以反映轮转是否放错人，拼接最大置换说话人相似度负责度量生成与提示在最优置换下的说话人嵌入余弦距离以反映音色是否像；搭配原因是可懂度好不等于轮转对，需要把内容错与归属错分开，组合意义是一个看字对不对且人对不对，另一个看声音像不像。

数据构造链路本身也是可复现部分。先经语音活动检测去静音与噪声，再经说话人日志区分说话人，再经语音识别转写，最后用大语言模型按语义与交互性判别是否为对话。得到对话文件后，用微调过的 WhisperD 做带说话人标识的转写，英文用官方开源模型，中文自训，长音频先按静音切分再把超 30 秒段切到符合输入限制。过滤规则包括轮次数量异常、语言符号异常、词数与重复异常、最大词长异常，以及质量预测分低于 2.8 的剔除。代码与数据集按资源状态，代码链接本次可达 200，可写已公开可用；论文同时称模型权重与数据集公开，复现前仍建议以仓库实际文件为准。

主结果在什么条件下比了谁，关键数字支持什么？

主比较的问题是：在同样的域外提示与交错文本输入下，非自回归小模型能否在速度、可懂度、轮转与相似度上同时超过可运行的自回归基线。比较对象是两个实际可运行的开源对话模型，一个是混合自回归加流匹配结构，另一个是纯自回归直接预测音频 token 的结构。公平条件是都做零样本对话生成，用同一测试集与同一转写与切分流程，指标方向如前所述。

论文报告，本文 123M 参数模型在中英文可懂度、轮转差、相似度、质量预测分与实时率上均优于两个 1000000000 参数量级的基线，且实时率快 10 倍以上。重提结果时需加新信息：优势不仅来自参数更小，更来自并行生成避免了跳词与长段不可懂，这是自回归在主观听感上失分的主因。

下表整理课程学习有无的对照，比较问题是直接学对话是否可行，公平条件是同架构同小规模自有数据，只差是否用单人预训练权重初始化，指标覆盖两语言的相似度、可懂度与质量分。

表后解释需要同时讲收益与代价。有课程时中英文词错率从接近完全不可懂降到个位数，轮转错率与词错率的差也很小，说明对齐恢复后内容与归属同时变好；无课程时相似度与质量分仍有人声水平，说明声学模仿未坍缩，坏的是对齐。未胜出项是无课程模型在相似度上并非零分，复现时不能用相似度 alone 判断可懂，必须同时看词错率。该表只用小规模自有数据验证机制，不代表全量数据的绝对值，跨表对比需注意训练数据不同。

另一组主结果涉及不同训练数据的权衡，论文报告仅用 OpenDialog 时可懂度优于仅用小规模自有数据，但在相似度与质量分上略降，可能因自有数据质量与标注精度更高；合并两者时各项更均衡，且任一数据训练的模型都达到与基线相当或更好，支持 OpenDialog 单独即可训出高性能模型的判断。限制是该结论基于本文容量与流程，更大模型与更多数据的趋势待验证。

拿掉轮次嵌入或换成分隔符会发生什么？

消融的问题是：轮转精度提升究竟来自可学习嵌入，还是仅靠文本标识符就够了。比较了 3 种实际可运行的说话人区分写法：单竖线分隔符、两个不同标识符、再加说话轮次嵌入，条件是同模型同数据同评测，只改文本侧的轮转提示方式，指标看词错率与轮转错率，差越小越准。论文报告，仅用竖线时轮转错率远高于词错率，换成两种标识符有所改善但仍不满意，加入嵌入后轮转错率大幅下降到接近词错率水平。

表后解释要指出代价与边界。收益是嵌入把离散身份变成连续条件，直接叠加到每字特征上，使向量场估计器逐帧可区分，词错率基本不变而归属错大降。代价是新增两个向量需随模型一起优化，若推理文本的标识与提示声道对应错，嵌入无法纠正标签错误。未评测边界是两说话人以上的情况，论文称方法可推广但本研究只集中于双人对话，复现多说话人时需补验证。立体声侧的消融同样显示，去掉独占损失、单声道正则或复制初始化都会使可懂度与轮转变差，其中初始化影响最大，支持小数据下继承权重的必要性。

哪些结论有边界，哪些量没有被测量？

论文明确报告了三处边界。第一是模型与数据规模，紧凑结构保证了速度但限制了表现力，更大模型与更多数据可能带来更生动的对话，当前结果不支持把趋势外推到任意规模。第二是主观评测只请了中文母语者，每人随机评 20 条，英文主观质量未覆盖，只能用可复现的客观指标跨语言佐证，不能把中文主观胜出直接写成全语言胜出。第三是聚焦双人对话，多说话人只是方法上可扩展，未给出实测。

未测量项也要点名。速度只报告了测试集上的平均实时率，未报告首包延迟、流式帧率与不同硬件下的方差；训练资源只给了步数与批量秒数，未给卡数与时长；质量预测分对对话与英文单人存在固有偏置，论文已提醒对话分数低于单人，不能跨任务直接比绝对值。相关性不等于因果，例如合并数据后更均衡不能直接断定是数据多样性所致，也可能与标注精度与时长分布有关。缺失证据不是技术错误，复现时应补上延迟分解、统计显著性与多说话人测试再做部署判断。

要复现应先准备什么，按什么顺序跑？

先按信息条件准备。代码仓库本次可达，可先拉取对应分支确认脚本与权重文件是否齐全；OpenDialog 若已公开则核对 6.8k 小时中英文小时数与切分脚本，测试集按 357 条中文与 280 条英文的域外来源重建提示配对。转写与评测工具要锁定版本：英文用同一说话人标识转写模型并忽略标识算词错率，中文用同一中文转写模型，说话人切分与嵌入模型固定，否则轮转与相似度不可比。

再按依赖顺序跑。第一步复现单人基础的补全与求解流程，确认 16 步欧拉加引导能稳定出声；第二步加载单人权重后在对话数据上微调，核对 60,000 步与 4000 秒批量的损失只在遮蔽区计算；第三步加入说话轮次嵌入，对比 3 种提示写法的轮转差是否复现大幅下降；第四步再做立体声扩展，检查复制初始化、交替单声道批次与独占损失的开关效应。

常见误解是把相似度高当成字说对，实际上无课程模型也能模仿音色，必须同时看词错率；另一个误解是把平均实时率当成实际延迟，并行步数、声码器与批量都会改变体感速度，需分别测量。

下表整理可直接核对的规模与协议，比较问题是复现环境是否与原文一致，公平条件是同一口径的小时数、条数与步数。

表后补充代价与反例。按此配置复现能对齐论文的训练与评测口径，但未包含硬件型号与随机种子，速度与方差可能有偏；自有数据若不可得，可先只用 OpenDialog 验证主机制，论文显示单用它已足够，但相似度与质量分可能略低于合并训练，需在报告中注明数据差异。

何时值得尝试，还需补哪项验证？

当任务同时满足三点时值得尝试该方案：需要零样本指定双人音色，需要 1 次生成整段对话而非逐句拼接，且不能依赖外部轮次时间戳。此时可先用单人流匹配基础加课程微调保证可懂，再用说话轮次嵌入保证归属，数据侧优先用大规模野外对话打底，质量要求高时再混入少量人工精标数据。若应用需要立体声分轨或全双工训练数据，再启用双通道扩展并按是否允许重叠决定是否加独占损失。

还需补的验证包括英文主观听感、多说话人与强重叠场景的轮转精度、不同步数与声码器下的延迟分解，以及更大容量下的表达力上限。复现时保留的关键超参数是遮蔽区损失、随机多轮前缀提示、平均上采样隐式时长与 16 步求解，信息条件是交错文本的标识必须与提示声道一一对应。区分 3 类可用性：代码可达不等于权重可下载，权重可下载不等于系统可一键运行，报告时应分别说明。总体上，论文用简单改动把单人流匹配扩展到对话，证据支持其在速度与稳定性上的选择，但生动性与多说话人泛化仍待后续工作补齐。

📐 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

另有 8 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