英文题目：Hearing Between the Lines: Unlocking the Reasoning Power of LLMs for Speech Evaluation
会议身份：
conference:eacl:2026:conference-paper-id:2026.findings-eacl.151
✅ 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：#评测协议 #大语言模型 #语音 #语音质量评估
评分：7.0/10 | 创新 1.5/2 | 技术严谨 1.0/1.5 | 实验充分 1.2/1.5 | 清晰度 0.8/1 | 影响力 1.1/1.5 | 开源 0.0/1.5 | 可复现 0.3/0.5 | 工程/实践 1.1/1.5
排名：前50% | 文档类型：方法研究
👥 作者与机构
- Arjun Chandra：机构信息未能从会议 PDF 纯文本可靠映射
- Kevin Miller：机构信息未能从会议 PDF 纯文本可靠映射
- Venkatesh Ravichandran：机构信息未能从会议 PDF 纯文本可靠映射
- Constantinos Papayiannis：机构信息未能从会议 PDF 纯文本可靠映射
- Venkatesh Saligrama：机构信息未能从会议 PDF 纯文本可靠映射
📌 核心摘要
输入为用户语音指令与两个候选语音回答，输出为内容、语音质量与副语言三个维度偏好及融合后的总体偏好，难点在于纯转录评测丢失讽刺、情感、语调与音质缺陷，而直接用音频大模型评测昂贵且不可审计。方法分两步推进：先以人类思维链标注协议做维度优先重标注并引入 both_good 与 both_bad 类型化平局，再以 Whisper 转录、DNSMOS 与 P.808 音质分、韵律与 emotion2vec 等轻量信号组装成结构化文本蓝图，最后令文本大模型只做三维度判决并经确定性决策树融合成总体标签。与转录大模型和音频直接判决相比，该机制把可解释的声学证据外置为可审计文本，使大模型推理能显式利用递送线索并抑制不可接受样本上的虚假胜者。在 SPEAK BENCH 的 497 个样本上，TRACE 总体四分类准确率达 68.6%，高于转录评测的 62.7% 与音频评测的 61.1%。在 S2S-ARENA 的 314 个英文样本上，TRACE 总体四分类准确率达 57.0%，高于音频评测的 47.5% 与转录评测的 45.9%。结论仅在英语指令跟随与感知表达场景得到验证，跨语言、文化表达差异与细粒度韵律尚未检验，且依赖上游提取器精度。在 SPEAK BENCH 上以 GPT-4o 计费时 TRACE 总成本为 4.16 美元，约为音频评测 12.53 美元的三分之一。
🔗 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
输入是什么，目标是什么，先保留哪些关键信息？
本文面向刚进入语音交互评价的研究生，解读 1 篇关于语音到语音系统自动评价的论文。输入是用户的一段语音指令和两个候选语音回答，目标是对这两个回答排出偏好：第一个好、第二个好、都好、都坏。必须保留的关键信息包括评价维度、标注协议、信号来源、融合规则、数据集规模、基线条件和成本口径，输出是一套可以复述和核对的方法流程与实验结论。
语音到语音模型可以直接产生带语气和音色的回答，级联系统先识别再合成的延迟和信息丢失问题推动了端到端模型发展，但评价没有跟上。现有两条路线各有短板。第一条是只看转写文字的大语言模型评价器，它容易实现和扩展，却听不到讽刺、情感、重音和节奏，遇到文字相同但表达不同的回答就无法区分。第二条是直接听音频的音频语言模型评价器，它能处理原始音频，但调用成本高、推理过程不透明，论文报告它在非语言线索上的推理仍然不稳定。
教学上可以这样理解，评价语音回答至少要回答 3 个问题：说了什么，对不对题；声音本身干不干净，自然不自然；说话方式得不得体，是否理解了用户语气并作出合适表达。论文把这三问固定为内容、语音质量、副语言 3 个维度。内容对应语言学部分，语音质量和副语言共同覆盖非语言学部分，其中语音质量更偏信号质量，副语言更偏情感风格和指令跟随。后续所有标注、信号抽取和融合都围绕这 3 个维度展开，这是全文的学习主线。
同输入同目标的已有路线差在哪里？
在语音基准方面，早期工作用转写文本考查知识和指令完成度，后续加入了词错率和情感分数等客观声学指标。另一支强调人类偏好，收集成对或单条的人类评分，为自动评价提供了对齐目标。但论文指出这些偏好集往往把多个感知维度压成一个总体分，可靠性和诊断价值下降，这正是本文要修补的缺口。
在自动评价器方面，第一类是用语音识别转写后再提示大语言模型，免训练易扩展但对声学线索视而不见。第二类是用音频语言模型直接听音频打分，能处理音频但昂贵且不透明。第 3 类是专门用偏好数据微调或强化学习训练评价器，对齐可能更好但跨域泛化存疑。声学度量方面，非侵入式质量预测、情感计算特征集和韵律参数集已经有现成工具，本文选择复用而不是重新训练声学模型。
与文本评价的联系在于，已有文本评价工作强调把指标拆成多维再按量表聚合，但它们只处理文字输入，没有处理音调、重音、语速、口音和情感等语音特有挑战。本文的差异是引入轻量现成工具抽取音频原语，再交给文本模型做维度评价，结构化的多工具思路是为语音评价专门设计的。
原有总体标签为什么会被文字评价器取巧？
论文研究了两个公开人类偏好数据集。一个是语音指令集，要求内容、副语言特征和发声风格；另一个是英文子集，包含显式指令、感知探测任务和真实场景。两者原标签都只给总体成对评分，没有维度分。更重要的是协议存在可靠性问题：一个数据集不允许平局，即使两个回答都不可接受也要强制选出胜者；另一个允许无类型平局，但不区分是都好还是都坏。
这种协议会带来两个后果。第一是误表征用户体验，强制优胜会在噪声数据上虚构 superiority，无类型平局则把可接受的高原和不可接受的低谷混在一起。第二是多维度有效性不足，论文用同一骨干模型比较发现，只看文字的评价器在原标签上能打平甚至超过更贵的音频评价器，说明原标签过度加权文字内容而低估表达。这意味着如果继续用原标签做基准，就会认证出偏向文字的评价器，而不是真正以人为中心的语音评价器。
下图把现状与本文框架并置，左侧显示文字路径漏掉讽刺等线索、音频路径昂贵不透明，右侧显示先抽信号再分维推理最后融合的新路径，阅读时注意总体列中同时存在优胜和两种平局。
看图路径： 1. 先看左侧两条旧路径分别指向总体列的哪一个标签；2. 再看右侧文本模型之前多了哪一个信号抽取框；3. 最后对比右侧维度列与总体列之间标注的融合箭头
论文图 1。原论文 Figure 1：“Bridging the Evaluation Gap. (A) The Status Quo: Current transcript-only LLM judges are blind to paralinguistics whereas ALM judges are opaque and expensive, and benchmarks often…”。
该图左侧用同一个用户提示和两个情感不同的回答为例，文字路径经识别后错过关键线索，音频路径直接给出总体但没有解释。右侧先做信号抽取，再由文本模型给出内容、语音质量、副语言 3 维判断，最后融合为总体。图中右侧维度列与总体列的对应关系说明评价不再是一步到位，而是先分后合，这正是后文人类标注与自动评价共用的结构。
内容 × 副语言： 内容负责判断字面语义是否答对指令，副语言负责判断语气情感韵律重音是否合适，二者搭配的原因是同样的文字用讽刺或高兴的语气说出用户体验完全不同，组合意义是把可被转写超越的语义和必须听才能感知的表达分开度量，避免总体分被文字主导。
两阶段免训练框架如何走完一个样本？
本文提出的方法分为标注协议与自动评价器两部分。标注协议称为人类思维链标注，用于重新标注已有基准；自动评价器称为基于音频线索的文字推理评价，分为信号抽取与推理融合两个阶段，全程免训练。先沿一个样本走完全程有助于建立整体感。
假设用户用厌恶语气说狗坐在门口，系统甲用中性偏高兴的语气长篇解释，系统乙用中性语气简短回应。第一阶段为甲乙各自生成结构化文字蓝图，包括转写文本、质量分数、韵律情感能量等信号。第二阶段把用户提示与两份蓝图一起交给大语言模型，模型只输出 3 维判断与理由，不直接输出总体。最后用确定性规则把 3 维映射为总体，例如内容都好但副语言都坏时总体判为都坏，从而抑制虚构优胜。
下图展示了上述 2 阶段架构，左侧放大框列出特征家族，中间为两个候选的并行抽取，右侧为判断加融合，注意箭头始终从信号流向文字再流向规则，没有让模型直接听波形。
看图路径： 1. 沿用户提示到两个候选回答再到结构化信号的箭头走一遍主路径；2. 观察左侧放大框中六类特征如何汇入同一个信号抽取模块；3. 确认右侧判断框输出的三维再经融合树得到最终总体
论文图 2。原论文 Figure 2：“The TRACE Architecture. Phase 1 (Signal Extraction): We extract inexpensive signals for Content (ASR), Voice Quality (MOS predictors), and Paralinguistics (prosody, affect,…”。
从像素看，中间阶段为每个回答单独设置信号抽取模块并汇成两份结构化信号，右侧判断框明确列出维度提示、用户提示和两份信号 3 个输入，下方 3 个维度分支汇入同一个融合树，最终输出 4 类总体之一。这种布局把昂贵且不透明的音频推理替换为可批量、可审计的文字推理，是成本与可解释性的来源。
信号蓝图里装了什么，判断与融合如何分工？
第一阶段的蓝图按维度组织。内容用大词汇量识别模型得到转写文本；语音质量用非侵入式质量预测器得到信号质量、背景质量和总体质量等分数；副语言用轻量韵律情感描述子得到基频均值与轮廓、响度均值与轮廓、语速与发音速率、情感向量和口音相似度等。附录给出了完整的键结构与一个真实示例，包括情感多分类分数、多个口音余弦分、质量分以及基频与响度序列，说明蓝图既有标量也有序列，文本模型可以直接引用数值进行比较。
语音质量 × 副语言： 语音质量负责自然度损伤和噪声等信号层好坏，副语言负责情感风格语速等表达层是否得体，二者搭配的原因是机器声和情感错位是两类不同失败，组合意义是让文本推理模型能分别引用客观质量分和韵律情感向量来判分。
声学蓝图 × 维度优先推理： 声学蓝图负责把转写质量分韵律情感语速等廉价信号整理成结构化文字，维度优先推理负责让大语言模型只输出 3 维判断而不直接输出总分，二者搭配的原因是文本模型不能直接听音频但擅长按证据推理，组合意义是用可读证据替代黑盒音频输入并留下推理痕迹。
确定性融合 × 数据集意图先验： 确定性融合负责把 3 维结果按固定决策树映射到总体标签，数据集意图先验负责为不同基准设定不同优先级，二者搭配的原因是指令跟随集更看重内容而感知表达集不能容忍副语言失败，组合意义是在不训练新模型的情况下把评测意图显式编码为可复现规则。
第二阶段的提示要求模型输出结构化结果，包含每维理由与 3 维标签，标签空间统一为第一个好、第二个好、都好、都坏。论文强调只有在差异清晰明显时才选出胜者，否则应选平局，这与人类标注的指导语一致。融合规则是确定性的且带数据集先验：在指令跟随为主的数据集上采用内容优先、非内容维度打破平局；在感知表达为主的数据集上采用可接受性上限，即总体不能高于内容与副语言的可接受性，防止对副语言失败的回答打出高分。
形式上单个样本可记为从用户提示与两个回答到 3 维与总体的映射，符号含义是输入为提示与回答对，输出为 3 维差值与总体标签，计算目标是先得可解释的维度判断再得总体。
\[f(P, A, B) →\]该式只定义输入输出形状，不规定具体模型参数，真正的计算由信号抽取器、文本模型提示和融合树三部分实现。融合树的核心是一条内容优先规则，可表述为若内容已分出胜负则直接返回该胜负，否则再看副语言与语音质量。
\[1: if ∆C ∈{1, 2} then return ˆY ←∆C\]该规则的含义是内容是第一优先级，只有内容为平局时才动用表达维度，这对应了指令跟随基准的原始意图。另 1 数据集的融合则引入取最小操作，把内容与副语言的可接受性作为上限，具体伪代码见附录算法，本文解读保留其单调与显式先验的性质，不展开全部实现细节。
没有训练阶段时，真实计算与标注过程是什么？
本研究没有训练任何新的神经网络评价模型，也没有更新骨干大语言模型的参数，因此不存在梯度路径、优化器步骤或参数冻结与解冻的报告。真实计算分为标注构造与推理调用两类。标注方面，2 名英语母语学生标注者按与模型相同的指导语，先做无维度指导的盲总体评分，再做维度优先的完整重标，最后随机抽取子集做第二次独立重标以估计人与人一致性。推理方面，信号抽取调用现成识别、质量、情感与口音模型以及基础音频处理库得到数值，文本判断调用现成大语言模型按提示生成维度标签，融合为固定规则查表，没有学习权重。
人类思维链标注 × 类型化平局： 人类思维链标注负责先给 3 维再给总体的可审计标注顺序，类型化平局负责区分都好和都坏两种平局，二者搭配的原因是强制二选一会在两个都差时虚构优胜，未区分的平局会掩盖可接受性，组合意义是把可接受性判断和优劣比较解耦。
标注的评分按混合绝对相对流程执行：先分别判断甲乙在当前维度是否可接受，若恰好一个可接受则返回胜者，若都不可接受则返回都坏，若都可接受再做相对比较返回胜者或都好。这种设计把通过门限与优劣比较分开，使都好与都坏具有诊断意义。论文将其与语音主观评价标准对齐，引用了分离感知量表与成对比较等思想作为外部依据，但未声称完全复刻某一条款的全部流程。
一致性度量采用考虑偶然一致的系数，其定义为观察一致减去期望偶然一致再除以一减期望偶然一致，符号中分子为超出偶然的部分，分母为可能超出偶然的最大部分。
\[corrected coefficient κ = po−pe\]论文报告在四分类总体上 2 个数据集的该系数分别达到实质性与接近高度一致的区间，并给出样本量与置信区间，支持重标协议的可靠性。由于未报告标注者报酬之外的训练细节与模型内部梯度，解读中不从模型名称推定实现，也不把免训练等同于输出确定，文本模型采样的随机波动在附录中被明确提及。
在什么数据与指标下比较，条件是否一致？
数据方面，语音指令集过滤掉原论文少样本提示用例后保留约 497 例，另 1 数据集取英文子集约 314 例。每例为用户提示加两个候选回答，附带原总体标签与新的人类思维链 3 维加总体标签。标注分布显示副语言都坏占比较高，尤其在感知表达子集中超过半数，这是引入类型化平局与可接受性上限的直接动机。
比较对象固定为 3 类评价器：直接听音频的音频评价器、只看转写的文本评价器、本文的蓝图加文本推理方法。主要骨干为轻量推理模型，另用另一闭源模型做骨干替换稳健性检查。提示方面，三者在同一系统指导语下比较，区别仅在用户部分是给音频、给转写还是给蓝图；原标签对照实验则用另一套总体提示，以复现文字评价器取巧的现象。
指标以四分类总体准确率为主要终点，类别为第一个好、第二个好、都好、都坏，同时报告 3 维各自准确率。方向是越高越好，不确定性用保持样本配对的非参数自助法给出 95% 区间，成对差异用配对正确性检验。成本在语音指令集上用同一骨干分别统计本地图形处理器时间与接口文本音频输入输出费用，租赁单价按公开平台估算。论文未测量端到端延迟与实时帧率，解读中不承诺这些量得到改善。
谁在总体与分维上更接近人类，代价是什么？
在原标签上，只看文字的评价器能超过音频评价器，论文用此说明原标签偏向内容而不适合认证语音评价器，因此主比较改用新的人类思维链总体标签。在新标签上，本文方法在 2 个数据集的总体上均为最高，同时在语音质量与副语言上提升最明显，而内容保持基本持平。统计检验显示在感知表达集上对两类基线的提升高度显著，在指令集上对文本与音频基线的提升也达到显著水平。骨干替换后趋势保持，说明增益不依赖单一骨干。
要理解机制，需要看内容受控反事实与单维消融两组探针。第一组把内容强制为都好，观察哪个表达维度能解开平局；第二组每次把一个维度置为都好，观察总体翻转率。结果显示本文方法更频繁地动用表达维度解开语义平局，对副语言变化也更敏感，而基线更依赖内容。第 3 组把样本按真值是否为都坏分层，发现本文方法大幅压低了在不可接受对上虚构胜者的比例，这是总体提升的主要来源，代价是在真正存在优胜的子集上准确率低于基线，说明在好中选优方面仍有空间。
下图显示内容置平后由哪个维度解开平局，注意中间语音质量组本方法明显高于基线，阅读时不要把柱高直接读成准确率，它是解开平局的份额。
看图路径： 1. 先确认横轴三组分别为副语言语音质量与仍为平局；2. 再比较每组内三根柱子代表的音频文本与本方法；3. 重点看中间语音质量组中本方法柱子明显更高的位置
论文图 3。原论文 Figure 3：“P1 Counterfactual (SPEAKBENCH). TRACE selectively uses delivery (VQ) to break seman- tic ties (VQ share ≈23% vs. ∼3-5% for baselines).”。
像素中横轴 3 组分别为副语言、语音质量与仍为平局，纵轴为份额。每组内三根柱子分别对应音频、文本与本方法。在语音质量组，本方法份额约为 23%，而基线仅约 3% 到 5%，说明本方法在语义相同后更愿意引用声音质量证据。副语言组三者都高，但本方法略低，这与融合规则中内容优先、副语言与语音质量按序打破平局的设计一致。
比较总体与分维需要同时保留基线与可运行策略，下表先用原表呈现骨干替换后的分维与总体对照，表前已说明比较问题为换骨干后增益是否保持，公平条件为同一提示结构与同一融合规则，指标方向为越高越好。
| Flash with | GPT-4o preserves | trends: | TRACE | wins |
|---|---|---|---|---|
| Judge | Content | VQ | Para | Overall |
| Audio Judge | 51.4 | 39.1 | 17.2 | 53.4 |
| LLM Judge | 58.8 | 32.1 | 29.8 | 60.6 |
| TRACE | 58.0 | 50.0 | 36.2 | 62.1 |
该原表显示在指令集上换用另一骨干后，本文方法在语音质量与副语言及总体上仍为最高，内容略低于文本基线。代价是蓝图生成带来少量本地计算与更长的文本输入费用，但避免了昂贵的音频输入费用，总体仍显著便宜。未胜出项是内容维度的微弱落后，说明蓝图中的转写质量决定了内容上限，声学信号对此帮助有限。
拿掉哪类信号最伤人，融合规则本身贡献多少？
特征消融每次去掉情感、口音、质量分数或韵律能量中的一组，观察 3 维与总体变化。总体趋势是去掉任一组至少在一个数据集的语音质量或副语言上造成下降，支持保留完整蓝图。但部分波动在正负 3% 以内，论文明确提示可能来自骨干采样的随机性，不应过度解读单点升降。教学上应把消融理解为必要性筛查而非精确归因，因为信号之间存在相关性，拿掉一组后模型可能部分依赖剩余信号补偿。
融合规则消融比较多数投票与本文树规则。无论在哪种评价器上，树规则都一致提高总体准确率，说明声学蓝图与树融合有叠加收益。多数投票把 3 维平等对待，无法表达内容优先或可接受性上限这类意图，而树规则把基准意图显式编码，这是政策感知融合的价值。论文同时报告多数投票下本文方法仍优于两类基线，说明增益不完全来自融合技巧。
下图显示单维置平后的总体翻转率，重点看副语言干预下本方法柱子远高于基线，而内容干预下并非最高，这支持本方法更依赖副语言的判断。
看图路径： 1. 先确认横轴为内容置平与副语言置平两种干预；2. 再比较纵轴翻转率在副语言干预下哪根柱子最高；3. 最后看内容干预下本方法并未成为最高的一组
论文图 5。原论文 Figure 5：“P2 Flip Rates (S2S-ARENA). TRACE is significantly more sensitive to Paralinguistics than LLM- Judge or Audio Judge.”。
像素中横轴为内容置平与副语言置平，纵轴为翻转率。每组内三根柱子含义同前。在副语言组，本方法翻转率超过 30%，而基线不足 10%，说明改变副语言更可能改变本方法的总体。在内容组，文本基线翻转率最高，本方法居中，说明本方法并非简单跟随文字。右侧语音质量组在当前切片上变化较小，解读时不应推广为语音质量不重要，因为不同数据集的失败分布不同。
为满足定量对照的完整性，下表用原文连续句整理主结果，保留两类基线与可运行的本方法，覆盖内容、语音质量、副语言与总体四列，数值保留原文精度与区间写法。表前问题是新标签下谁更接近人类，公平条件为同一骨干与同一融合，指标方向为越高越好。
| 数据集 | 评价器 | 内容准确率 | 副语言准确率 | 总体准确率 |
|---|---|---|---|---|
| 语音指令集 | 音频评价器 | 62.5 | 21.4 | 61.1 (56.7–65.4) |
| 语音指令集 | 文本评价器 | 60.4 | 29.8 | 62.7 (58.2–67.0) |
| 语音指令集 | 本文方法 | 63.2 | 39.6 | 68.6 (64.3–72.7) |
| 感知表达集 | 音频评价器 | 58.9 | 37.7 | 47.5 (42.4–52.7) |
| 感知表达集 | 文本评价器 | 57.0 | 35.4 | 45.9 (40.4–51.3) |
| 感知表达集 | 本文方法 | 58.0 | 48.1 | 57.0 (51.6–62.4) |
该表显示本文方法在保持内容基本持平的同时，在副语言与总体上取得最大增益，尤其在感知表达集上副语言从约 35% 提高到 48.1%，总体从约 46% 提高到 57.0%。代价与反例是内容并未拉开差距，且在好中选优子集上基线反而更高，说明本方法的优势集中在抑制虚构优胜与捕捉表达失败。未评测边界包括多语言与更细粒度韵律属性，附录混淆矩阵也显示总体趋势不等于每类都最优。
哪些结论有边界，哪些推测尚未验证？
论文直接报告的是在两个英文数据集、给定骨干与给定信号集下的准确率与成本比较，有限解释是维度分离与类型化平局提高了可靠性，待验证的是跨语言与跨文化表达规范的泛化。当前声学模式是手工设计的，虽然覆盖了内容、质量与副语言的核心感知维度，但可能遗漏更细粒度的边缘属性，数据驱动的模式归纳被列为未来工作。
另一边界是上游抽取误差会传播到最终判断，例如识别错误会影响内容，情感与口音分类错误会影响副语言。论文提出用校准或置信度加权缓解，但未在本研究中实现与测量，因此不能承诺加入后一定改善。成本结论基于特定骨干与特定平台单价，换骨干或换计费方式后倍数会变化，解读中保留约 3 倍的原文表述而不将其当作普适常数。
伦理方面，自动评价涉及语音助手的能力认证。若评价器有缺陷，可能助长对有缺陷助手的过度信任；若评价器很强，也可能加速可被滥用的强助手发展。论文提示这些问题需要在研究社区内外讨论，解读中将其视为未解决的治理议题，而不是技术错误。
复现先做什么，需要哪些信息条件？
复现应先重建数据与协议，再重建信号与融合，最后跑评价与成本。第一步获取两个公开偏好集的英文部分，按附录规模核对样本量，并按维度优先顺序实现四分类标签与混合绝对相对流程，确保都好与都坏的判定与原文一致。第二步按附录键结构实现蓝图，分别接识别模型、质量模型、情感向量、口音相似度与基频响度语速计算，注意保留分数范围与序列单位，避免自行归一化改变模型输入分布。
第三步用同一系统指导语实现 3 类评价器，区别仅在用户部分给音频、给转写还是给蓝图，并分别实现内容优先树与可接受性上限两种融合。评价时用四分类总体准确率为主终点，配对自助法给区间，成对检验比较差异。成本需分别记录本地推理时间与接口输入输出费用，并注明单价来源。
关于可用性，资源状态是正文开源声明的唯一依据，本次未发现来源绑定且完成安全验证的资源，因此不得声称代码模型或数据已公开，只能按论文正文的发布计划表述为作者表示将发布。缺失项是具体提示版本、采样温度与全部超参数，复现时应固定并报告这些设置，波动范围按附录提示预留。
何时值得尝试这套方法，如何一句话记住它？
当评价对象是带表达的语音回答、且总体偏好中存在大量语义相同但表达不同的样本时，这套方法值得尝试。它的适用条件是已有可靠的识别与质量情感工具、且评测意图能明确表达为内容优先或可接受性上限；若任务完全是内容问答且声音差异可忽略，传统文本评价已足够，不必引入蓝图。
一句话记忆是先把难听的总体拆成可听的 3 维，再把难听的音频写成可读的文字，最后用固定规则合回总体。全程没有训练新模型，增益来自更干净的标签、更显式的证据与更贴合意图的融合。重提结果时新增的对照是骨干替换后趋势保持、融合消融显示树规则独立贡献、特征消融显示任一组信号都有价值但单点波动需谨慎解读，这些共同支持方法的稳健性而非单点最优。
对初学者而言，可核对的复述路径是输入三元组经信号抽取得到两份蓝图，经维度提示得到 3 维标签，经数据集先验得到总体标签，再与人类思维链总体比较准确率与成本。每一步都有明确输入输出与可检查中间产物，这正是本文可学习性最强的地方。
⚖️ 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