长语音越转越错：用三种坏音频做减法压住 Whisper 幻觉

英文题目：Whisper-CD: Accurate Long-Form Speech Recognition using Multi-Negative Contrastive Decoding

会议身份：conference:interspeech:2026:conference-paper-id:ahn26b_interspeech

来源为官方会议 PDF；图片依据原页像素，表格数字依据原文引用。PDF 文字层不视为原始 TeX，未可靠恢复的结构不作推断。

会议来源：官方记录 · 官方 PDF

标签：#对比学习 #高效推理 #长音频处理 #语音 #语音识别

评分：6.6/10 | 创新 1.4/2 | 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 0.0/1.5 | 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

• Hoseong Ahn：机构信息未能从会议 PDF 纯文本可靠映射
• Jeongyun Chae：机构信息未能从会议 PDF 纯文本可靠映射
• Yoonji Park：机构信息未能从会议 PDF 纯文本可靠映射
• Kyuhong Shim：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

长语音识别将长录音切分为30秒段并以前一段转写为上下文逐段解码，静音幻觉、重复循环与内容遗漏会在上下文传递中被放大。Whisper-CD冻结Whisper参数，仅在推理时干预：对同一音频段并行计算一路干净对数几率与三路扰动负对数几率，再用带温度的对数求和指数聚合多负信号并按对比公式修正每步词分布，最后贪婪生成。三路负信号分别为10 dB高斯噪声注入、全零静音输入、左移7秒时序偏移，分别对应清晰度下降、先验幻觉与对齐错位。在5个英语长语音基准上，Large-v3-Turbo在CORAAL上词错率从38.75%降至14.43%，下降24.32个百分点；在Earnings22上从33.25%降至16.16%。该方法保留上下文传递与时间戳能力，兼容波束搜索与词级约束。局限是仅在Whisper Large-v3与Large-v3-Turbo上验证，最优对比强度随数据集漂移，对已陷入深度循环的大解码器纠正不彻底，且每步需4路解码器并行，尽管生成变短可部分抵消开销。其适用边界目前受限于英语长语音验证，额外负路径带来的推理开销可被生成变短部分抵消。

🔗 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，要输出什么，哪些信息不能丢？

这篇论文处理的对象是英文长语音转写。输入是长达几分钟到十几小时的连续录音，包含访谈、会议、议会发言等自然说话风格，中间有长时间静音、噪声、口音和话题切换。目标是输出与实际说话内容一致的词序列。初学者要先建立一个概念：长语音识别不是把整段音频 1 次性丢给模型，而是切成小段逐段解码，再拼接成全文。

论文使用的基础模型是 Whisper 的编码器加解码器结构。编码器负责把音频变成声学表示，解码器负责一个词一个词往外生成。Whisper 默认把长音频切成 30 秒一段，每段解码时还可以把上一段的转写文本作为前缀上下文喂给解码器，目的是让代词、专有名词和话题在段与段之间保持连贯。

必须保留的信息有 3 类。第一是局部声学证据，也就是当前 30 秒里到底说了什么音素和词。第二是段边界对齐，也就是词应该出现在哪个时间位置。第三是跨段文本上下文，它有用但也危险。论文报告的一个关键现象是，在 Whisper Large-v3 上，打开前文上下文反而让词错误率在 CORAAL 上上升超过 190 个百分点，在 Earnings22 上上升超过 500 个百分点。这说明一旦前一段已经出现幻觉或重复，把它当作上下文会把错误放大并传给后面所有段。

输出用词错误率衡量，数值越低越好。当模型陷入重复循环时，输出长度会远超参考文本，词错误率甚至可以超过 100%。例如 Large-v3 基线在部分数据集上报告超过 200% 的词错误率，这不是多了 2 倍词那么简单，而是同一句话被复制几十遍造成的。因此本解读后面既要看准确率数字，也要看重复是否被打断、速度代价是多少。

已有哪些路线在修长语音和幻觉，为什么还不够？

第一条路线是改进长语音的切分和结构。论文提到联合切分与解码、因子化神经 Transducer、带掩码分块的 Conformer 等方法。它们的做法是让模型更好地利用上下文或更准地切分，共同点是需要改结构或重新训练。对于已经部署的 Whisper 系统，这种路线成本高，不能直接拿来用。

第二条路线是专门压制 Whisper 幻觉。已有观察指出 Whisper 在非语音段、噪声音频或分布外输入上容易高置信地输出固定套话，例如 Thank you for watching 这类感谢观看式短语，被称为幻觉包。已有缓解方法包括基于语音活动检测的分块、受约束解码、对幻觉注意力头的微调，以及带时间戳的逐字训练。论文指出这些方法通常只针对单一错误模式，或者需要额外模块和重训练。

第三条路线是测试时改进。经典做法是波束搜索和外部语言模型重打分。波束搜索同时保留多个假设，语言模型重打分对 N-best 列表重新排序。更新的做法有用大语言模型做生成式纠错，以及按 utterance 做熵最小化的测试时自适应。论文对这条路线做了明确区分：波束搜索不改变词分布，当幻觉词本身概率很高时，加大波束仍会集中到同一条错误转写；生成式纠错发生在首次解码之后，不能在解码过程中直接影响每个词的选择。

对比解码来自语言和视觉语言领域。基本思想是不改参数，而是同时跑一个目标过程和一个负向过程，用两者的 logit 差来指导选词。例如视觉对比解码用加噪图像得到反映视觉证据不足时的 logit，把在这种条件下仍被偏好的词降权。论文称据作者所知，这是首次把对比解码用于语音识别。教学例子是：好比老师判卷时既看学生正常答卷，也看把题目涂黑后学生凭语感蒙出的答案，凡是涂黑后还坚持写的，多半是套话，要扣分。

长语音的三种典型错误是如何互相拖累的？

论文把长语音幻觉归纳为 3 种常见模式。第一是静音区幻觉，即非语音区间本应输出空或停顿，模型却编出流畅但无依据的句子。第二是重复循环，即同一短语被复制十几遍甚至三十二遍，并在段与段之间接着复制。第三是内容遗漏，即把实际说过的内容丢掉。

这 3 种错误在分段加上下文的流程里会互相拖累。举一个样本的完整路径：假设第 N 段末尾出现静音，模型编出一句套话；这句套话作为前缀上下文传给第 N 加 1 段；解码器看到流畅的前文，就会更信任文本延续而忽视声学证据，于是把套话再续写一遍形成重复；重复占用了生成长度和注意力，真正的新语音内容就被挤掉形成遗漏。论文强调更大的解码器这种现象更明显，因为它对文本上下文的依赖更强。

官方文档的经验做法是效果不好就关掉上下文传递，但这等于丢掉了利用长程线索的能力。论文的目标是保留上下文传递，同时在 logit 层面压制那些在声学证据不足时依然高概率的词。这就引出方法全景：不改参数，只在每一步解码时多算几路坏音频的 logit，用减法把幻觉倾向减掉。

Whisper-CD 的四路并行是如何组织成一步解码的？

Whisper-CD 的全景可以按一个 30 秒段走一遍。输入是当前段波形加上上一段转写得到的前缀词。系统同时准备 4 个版本的音频输入：原始干净音频、高斯噪声版、静音版、时间平移版。4 个版本分别过同一个冻结的 Whisper 编码器，得到 4 组声学表示，然后用同一个自回归解码器在相同前缀下逐词计算 logit，最后用多负例对比公式把 4 组 logit 合成一个精炼分布，从中选下一个词。

下图给出了这个 4 路结构，左侧是扰动构造，中间是冻结模型，右侧是对比合成，建议按输入到输出的箭头通读。

看图路径： 1. 先从左侧长语音条带找到 30 秒当前段，再向右数出四条并行分支的起点；2. 对照中间冻结编码器处四色箭头汇入的位置，确认四路共享同一解码前缀；3. 再看右侧自回归解码器上下两组方块，区分下方前文上下文与上方逐词循环；4. 最后比较右侧三组分布条形图的差异，观察精炼后分布如何压低幻觉词

论文图 1。原论文 Figure 1：“Overview of the proposed Whisper-CD. Each audio segment is processed through four parallel paths, comprising the orig- inal signal and three acoustically perturbed variants…”。

从像素上看，左蓝框是多负例输入扰动，右绿框是对比解码。左侧波形条带标出 30 秒当前段，3 个彩色分支分别标出高斯噪声、音频平移和静音，连同黑色原始分支共四线汇入中间编码器。中间粉色大框标明 Whisper 为冻结状态，解码器框上下画出逐词自回归循环，下方灰色小方块标明前文上下文同时喂给所有路径。右侧 3 个分布小图分别标出原始、多负例和精炼后的词分布，箭头汇入蓝色对比解码块再指回解码器，表示每步选词都被修正。教学对应是：4 路不是 4 个模型，而是同一模型看了 4 种声学条件；对比块不是后处理，而是每生成一个词之前都要做 1 次减法。

三种负信号各自破坏了什么证据？

第一种是高斯噪声注入。做法是在波形上加零均值高斯噪声，加多少由目标信噪比决定，论文实验用信噪比 10 分贝。效果是局部音素证据变得不可靠，但粗的能量包络还在。此时模型的行为反映的是在清晰度下降时的猜测倾向。白话说就是把声音变脏，看模型在听不清时会用什么词来凑。

第二种是静音信号。做法是把输入频谱置为全零，相当于全零波形，彻底去掉频谱结构。此时解码器几乎只靠文本前缀往下续写，暴露的是无条件文本先验。论文指出这种条件下的 logit 会突出幻觉包短语，也就是那些在无语音时仍高频出现的套话。这正好对应静音区幻觉。

第 3 种是音频时间平移。做法是把波形向左平移 7 秒，丢掉开头 7 秒，在末尾补同样时长的零。这样解码器期待的局部声学内容与实际送入的内容错位，前缀文本与局部声学的对齐被打乱。此时 logit 反映的是段边界失配时的失败倾向，对应重复和遗漏在跨段处被放大的情况。

长语音分段解码 × 前一段转写作为上下文： 长语音分段解码负责把几小时音频切成 30 秒一段逐段转写，前一段转写作为上下文负责给当前段提供跨段连贯线索；两者搭配的理由是保留长程指代和话题连续性，组合意义在于一旦前段出现幻觉或重复，上下文会把错误偏置带入当前段的词分布，这正是 Whisper-CD 要在 logit 层做减法的原因。

3 种扰动不是随意加噪声，而是分别对应 3 类失效：噪声对应听不清时的编造，静音对应无话时的套话，平移对应对不齐时的串段。单看任何一路都只能压住一类错误，这也是后面要用对数求和指数聚合 3 路的原因。

对比公式如何把四组 logit 合成一个选词依据？

先看单负例的情形。记输入波形为 x，扰动函数为 g，扰动后波形为扰动版本。记已生成的词为前缀。在解码步 t，用同一模型算两组 logit 向量：干净音频的正向 logit 和扰动音频的负向 logit。对比后的 logit 定义为 1 加对比强度乘以正向 logit，再减去对比强度乘以负向 logit。

对比强度用希腊字母 alpha 控制，大于零。选词就从这个对比后的向量里选。这个过程不需要更新参数，任何逐词生成的语音识别模型在推理时都能套用。

再看多负例的情形。论文有 3 个负信号，记总数为 3。对每个扰动版本算出各自的负向 logit。用带温度的对数求和指数算子把 3 个负向 logit 聚合成一个统一负项，再与正向 logit 做加权相减。公式里出现温度 tau，论文设为 1.0，对应标准的对数求和指数聚合。

alpha 在 0.5 到 2.0 之间调节。当只有一个负例且温度为 1 时，多负例公式退化为单负例公式。温度的作用是：温度小则聚焦于最强的那路负例，近似取最大；温度大则趋向平滑平均。

对比解码 × 负向声学扰动： 对比解码负责在每个解码步用干净音频的 logit 减去负向条件的 logit 来压制不可信词，负向声学扰动负责故意削弱或错位语音证据以暴露模型的文本先验和对齐偏置；两者搭配是因为只靠干净分布无法区分高置信幻觉，组合后那些在坏音频下依然高概率的词会被识别为幻觉并被降权。

直觉是：如果一个词在干净音频下概率高，在坏音频下概率也高，说明它不依赖真实语音证据，相减后会被压低；如果一个词只在干净音频下高，在坏音频下低，相减后会被保留甚至凸显。实现上编码器对干净和 3 个扰动输入做 1 次批量前向，解码时把 4 路按 batch 维度打包，每步只需 1 次批量解码器前向，复用相同前缀，因此额外开销主要来自并行路数而非串行步数。论文还说明这种 logit 级干预保留了语言识别和时间戳生成等原有能力，也兼容波束搜索和词级约束。

没有训练阶段时，实际计算和冻结了什么？

本研究没有训练阶段，也就没有优化器、梯度更新、损失反传和参数重置。需要明确冻结的是 Whisper Large-v3 和 Large-v3-Turbo 的全部已有权重，4 路扰动路径复用同一套权重，不引入新参数。论文未报告任何微调、适配器或注意力头修正，因此不能把无训练理解为确定性求解，冻结参数只保证模型映射固定，解码仍受采样、上下文和声学条件影响。

实际计算全部发生在推理时。第一步是构造扰动：按 10 分贝信噪比生成高斯噪声并加到波形上；构造全零谱的静音输入；把波形左移 7 秒并在尾部补零。第二步是批量编码：干净加三扰动共 4 路一起过编码器。

第三步是自回归对比解码：每步用相同前缀并行算 4 组 logit，按多负例公式合成后选词，直到段结束。第四步是长语音流程：按 30 秒切段，打开前文上下文传递和贪心解码，关闭温度回退机制以孤立对比解码的效果。分析实验主要在 Large-v3-Turbo 上做。论文未给出梯度路径、监督来源和早停等训练要素，因为这些要素在本方法中不存在，缺项即为无训练设计本身，不应从模型名称推定有隐式训练。

在哪些数据和条件下测，指标方向是什么？

数据集是 5 个英文长语音基准，覆盖不同口音和场景。CORAAL 取 Valdosta 地区的 14 个录音约 11.5 小时。Earnings22 是从完整 125 文件约 120 小时中按时长排序每隔 3 个文件取 1 个，共 13 个文件约 14.3 小时，保证时长均匀覆盖。VoxPopuli 是从长语音重构的测试集中过滤 60 到 300 秒录音并每隔 9 个文件采样，共 50 个文件约 1.4 小时。TED-LIUM 用长语音重构测试集全量 11 个文件约 3.1 小时。REV-16 用 16 个录音约 16.1 小时。

推理条件统一为 Whisper 长语音管线，30 秒分段并打开前文上下文传递，与默认配置一致。除非另有说明用贪心解码，并关闭温度回退。模型为 Large-v3 和 Large-v3-Turbo。扰动超参数固定为信噪比 10 分贝和左移 7 秒，温度 1.0，alpha 在 0.5 到 2.0 间扫描。

指标以词错误率为主，数值越低越好，以百分比报告。计算代价用每秒生成词数和实时率衡量，每秒词数越高越好，实时率越低越好，在单张英伟达 A100 80 GB 上以 batch 为 1 测得。需要提醒的是，不同数据集的基线难度差异很大，Large-v3 基线在部分集上超过 100% 是因为重复循环把输出长度撑大，不能直接跨数据集比较绝对值大小，只能在同一数据集内比较基线与对比解码的差值。

主结果在准确率和速度上各换来了什么？

要回答的核心比较问题是：在同样的长语音管线、同样打开上下文、同样贪心解码的公平条件下，对比解码相对基线是否同时改善准确率和 wall-clock 代价。指标方向是词错误率越低越好，每秒词数越高越好，实时率越低越好。下表把论文报告的关键数字按条件整理，重点看基线与对比解码的可运行策略对比。

表后解释需要同时讲收益和代价。论文报告对比解码在 5 个基准上都降低词错误率，在 CORAAL 上最高降低 24.3 个百分点。速度方面，虽然每步多了 3 路解码，但 Large-v3 上因为消除了超长重复循环，总生成词数大幅减少，总耗时反而下降，实时率优于基线；Large-v3-Turbo 上则有轻微 slowdown，但仍明显快于波束尺寸为 5 的波束搜索，论文称快 48%。未胜出的边界是 Large-v3 经对比解码后的绝对词错误率仍高于 Turbo 基线，例如 CORAAL 上 Large-v3 加对比解码为 45.77%，而 Turbo 基线本身已更低，说明 logit 减法不足以把已陷入深重复的大模型完全拉回。

词错误率 × 实时率与吞吐： 词错误率负责衡量转写词与参考文本的编辑距离越低越好，实时率与吞吐负责衡量解码速度和 wall-clock 开销；两者搭配是因为对比解码每步多了 3 路计算，必须同时看准确率收益和速度代价，组合意义是判断该方法能否作为已部署 Whisper 的直接替换而不只是离线涨点。

下图是同一音频下基线与提议的配对文本，上半为基线，下半为提议，建议先看重复标记再看修复后的延续。

看图路径： 1. 先对比左右两个音频例的上半基线区，确认红色重复片段及其重复次数标注；2. 再看下半提议区绿色延续文本，确认重复是如何被打断并接回正常内容；3. 注意中间虚线分隔基线与提议，确认是同一音频输入下的配对比较

论文图 2。原论文 Figure 2：“Qualitative examples on the same audio inputs. The baseline falls into repetition loops (red), while Whisper-CD breaks the loop and recovers the correct transcription (green).”。

从像素上看，左右 2 例结构相同，中间横虚线分隔上下。上半基线区红色高亮标出重复句及其重复次数，左例标为重复 16 次，右例标为重复 32 次。下半提议区绿色高亮给出打断重复后的正常延续，左例接回在亚特兰大长大的叙述，右例接回欧盟法律正确实施、减轻中小企业负担的内容。解释是：基线一旦进入自增强的重复，前缀会不断强化同一短语；对比解码在每步压低那些在坏音频下依然高概率的重复词，使解码有机会跳出循环并恢复真实内容。但这只是定性示例，不能把两个样本的成功推广为所有长语音都消除重复，还需结合主表的平均词错误率和消融来判断稳健性。

对比强度和单路扰动各自贡献了多少？

第一个要问的是对比强度 alpha 是否越大越好。比较条件是同一 Turbo 模型、同一贪心解码，只改变 alpha，0 表示无对比的基线。指标仍是词错误率越低越好。下表整理论文的 alpha 消融，CORAAL、Earnings22 和 TED-LIUM 三列都是词错误率。

表后解释是：所有非零 alpha 在 CORAAL 和 Earnings22 上都优于基线，说明对幻觉严重的录音，对比普遍有效；但干净的 TED-LIUM 对过减敏感，alpha 超过 1.5 后反而变差。基线幻觉越重的数据集往往受益于更强的对比，但最优 alpha 因数据集和模型而异，这支持论文未来工作里按段或按词动态调 alpha 的想法。未胜出的细节是 alpha 为 2.0 时在三列上都不再是最优，说明一味加大减法会损伤正常词。

第二个要问的是 3 路扰动能否只用一路。比较条件是每次只用一种扰动做单负例，指标同上。下表整理单策略结果。

表后解释是：没有一路在所有数据集上都最好，例如静音在 CORAAL 上降到 18.99% 却把 TED-LIUM 推高到 21.62%，高斯噪声在 CORAAL 上几乎无改善，而多负例组合在多数集上低于单策略，支持 3 路互补的判断。反例是波束搜索在 CORAAL 上能从 38.75% 降到 22.65%，但在 TED-LIUM 上从 12.93% 恶化到 17.50%，而对比解码在两集上都优于基线且吞吐更高，准确率与速度的权衡更有利。

静音信号 × 高斯噪声注入： 静音信号负责把输入频谱置全零以暴露无声学证据时的纯文本延续倾向，对应静音区幻觉，高斯噪声注入负责按目标信噪比加性破坏局部音素证据但保留粗结构，对应清晰度下降时的猜测行为；两者分工覆盖不同失效模式，搭配理由是单一负例只压住一类错误，组合成多负例才能同时处理幻觉、重复和遗漏。

模型尺度分析显示 Large-v3 经对比解码后在 CORAAL 上为 45.77%，仍远高于 Turbo 的 14.43%。论文假设这是因为 Large-v3 常陷入超 200% 词错误率的深重复，一旦自增强延续的概率质量过大，仅靠 logit 减法难以稳定拉回，加之大解码器对前文上下文依赖更强，早期错误会被进一步放大。这属于有限解释而非因果证明，待验证。

哪些边界没有测，哪些结论不能夸大？

论文直接报告的是 5 个英文长语音基准上的词错误率下降和相对波束搜索的速度优势，这些是有证据的。有限解释是关于为什么大模型更难拉回、为什么多负例互补，这些有消融支持但仍是机制层面的推断。未验证的推测包括动态 alpha、新增频谱掩码或块 shuffling 等扰动、以及扩展到解码器独占模型的设想，这些在讨论中明确标为未来工作，不能当作已验证效果。

未评测的边界很多。语言上只有英文，没有跨语言验证；声学上未系统覆盖重叠语音、远场混响和强口音的量化分解；指标上未报告误判率、延迟分布和人工可懂度，不能把词错误率下降等同于幻觉率或用户体验同步改善；统计上未给出多次运行的方差和显著性，不能把单次 24.3 个百分点的最大降幅理解为每段必达。

训练资源方面无需训练是事实，但推理开销是每步 4 路并行，总体趋势不等于每步都更快，Turbo 上的轻微 slowdown 就是反例。相关性不等于因果，例如重复减少与总耗时下降同时出现，不能断言所有速度收益都来自重复消除，还可能与实现和 batch 策略有关。

要复现 Whisper-CD，先做什么，需要哪些信息？

复现的第一步是固定长语音流程：用 Whisper 的 30 秒切段管线，打开前一段转写作为上下文，贪心解码，关闭温度回退，先跑出基线词错误率，确认在 CORAAL 和 Earnings22 上能复现上下文放大的高错误现象。第二步是实现 3 路扰动：按 10 分贝信噪比加高斯噪声，把频谱置零构造静音输入，把波形左移 7 秒并在尾部补零，注意静音是谱级全零而非简单静音波形的能量归一化差异，时间平移要保持总长度不变。第三步是实现批量对比解码：4 路共享同一冻结权重和同一前缀，每步 1 次批量前向得到 4 组 logit，用温度 1.0 的对数求和指数聚合 3 路负项，再按 alpha 合成，对 alpha 在 0.5 到 2.0 间扫描并在验证集上选值。

关键超参数和信息条件是信噪比 10 分贝、平移 7 秒、温度 1.0、alpha 候选区间、波束尺寸为 5 的比较基线、单卡 A100 的吞吐测量条件。论文未绑定可验证的代码、模型或数据资源，本次也未发现来源绑定且完成超文本传输安全协议状态验证的资源，因此不能声称代码或权重已公开；复现应理解为按原文描述自行实现推理时干预，而非下载即运行。常见误解是把无训练等同于无超参数，实际上 alpha、信噪比和平移量都显著影响结果，换数据集必须重调；另一个误解是把快于波束搜索等同于快于贪心，实际上在 Turbo 上对比解码比贪心略慢，优势是相对波束搜索的准确率速度权衡。

何时值得尝试这个减法，还需补哪项验证？

当系统已经部署 Whisper 且不能重训练，又观察到静音编造、同一句话复制十几次、段间错误越传越大时，Whisper-CD 值得作为首个推理时补丁尝试。它的调用方式是直接替换解码时的 logit 合成，不改权重，保留语言识别和时间戳能力，适合先在幻觉严重的长录音上小批量验证。

当音频本身很干净、基线词错误率已很低时，要谨慎选择 alpha。论文显示干净的 TED-LIUM 在过大 alpha 下会变差，因此建议从 0.5 起步，逐档观察正常内容的损伤，必要时按静音比例或信噪比做分段自适应，而不是全局用最大强度。

还需补的验证有三项。第一是按错误类型分别统计静音幻觉、重复和遗漏的变化，而不是只看总词错误率，这样才能证明 3 路确实各司其职。第二是报告多次运行的波动和按时长的分层结果，确认 24.3 个百分点的最大降幅不是个别长文件的偶然。第三是补测实际部署关心的尾延迟和内存占用，因为 4 路并行在 batch 为 1 的 A100 上可行，不代表在边缘设备或并发服务下仍划算。做完这些，才能把一个有希望的解码减法变成可长期维护的长语音策略。

⚖️ 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 interspeech-2026 论文汇总