不再先定死时长：用跳变管结构、用扩散修内容的一次联合生成

英文题目：Beyond Two-stage Diffusion TTS: Joint Structure and Content Refinement via Jump Diffusion

会议身份：conference:interspeech:2026:conference-paper-id:ai26b_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：#扩散模型 #韵律 #语音 #文本到语音

评分：6.4/10 | 创新 1.4/2 | 技术严谨 1.1/1.5 | 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 0.8/1.5

排名：前50% | 文档类型：方法研究

👥 作者与机构

• Jiabao Ai：机构信息未能从会议 PDF 纯文本可靠映射
• Minghui Zhao：机构信息未能从会议 PDF 纯文本可靠映射
• Anton Ragni：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

文本到语音（text-to-speech, TTS）需将音素序列映射为梅尔谱，难点在于离散时长结构呈多峰分布而频谱内容连续变化，两阶段模型固定对齐易坍缩为平均韵律，单阶段模型又不稳定。该文提出跳扩散（jump diffusion）框架，在同一逆过程中交替执行离散帧插入与连续去噪：位置预测器（Location Predictor）在压缩状态上选择插入槽位，内容预测器（Content Predictor）生成新帧频谱残差，再经上采样-扩散-下采样（Upsample-Diffuse-Downsample, UDD）在目标长度画布上复用冻结去噪网络并下采样回可变长度迭代进行。该机制把时长建模转为槽位上的分类分布并复用固定维网络的归纳偏置。在 LJSpeech 匹配长度评测中单步变体词错率（word error rate, WER）降至 3.37%，显著低于同长度 Grad-TTS 基线的 4.38%，且主观自然度亦略优；0.75x 慢速外推中 UDD 自适应分配静音而非均匀拉伸。该结论目前仅在单说话人朗读语料下成立，自发与多说话人场景的外推尚未验证。原文未披露训练、推理或部署成本。

🔗 开源与复现资源

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，为什么时长难做？

这篇论文做的是文本到语音合成，输入是一句文本转成的音素序列，目标是输出一段自然、可懂的语音波形，中间通常先生成梅尔频谱图再经声码器变成波形。对于刚进入语音方向的研究生，关键是理解语音有双重属性：一是离散的时间结构，即每个音素占多少帧、在哪里停顿多长，二是连续的频谱内容，即每 1 帧 80 个梅尔通道的具体能量分布。同样的文本可以有多种合理的节奏，快读、慢读、停顿位置都不同，这就是多峰性。

传统扩散或流匹配语音合成把这两件事分开。2 阶段路线先用一个时长预测器回归每个音素的帧数，用均方误差训练，然后把编码器输出按预测帧数复制拉长，再以此为条件做扩散去噪。做法稳定，但回归天然倾向于预测平均时长，少见的长停顿会被抹掉，韵律趋于平均。单阶段路线不用显式时长，靠注意力自己学文本到帧的对应，更灵活但容易错位、跳词或重复。论文要解决的正是这个两难：既想保留音素级对齐的稳定性，又想让时长结构与频谱内容在生成中互相影响。

对齐 × 时长结构： 对齐负责把输入的音素序列映射到输出语音的每 1 帧时间位置，时长结构是这种映射累积出的谁长谁短、哪里停顿的骨架；2 阶段模型先用回归预测每个音素占几帧再固定上采样，对齐稳定但骨架一旦定死，后续频谱扩散只能在该骨架内填声音，难以改节奏，本文把对齐从 1 次性前置步骤变成可反复跳变修改的结构变量，正是为了解开这种绑定。

为后续复述先固定术语：本文的对齐指文本音素到频谱帧的映射关系，时长结构指该映射决定的帧数分配，频谱内容指每帧的频谱向量取值，平均化韵律指回归模型输出趋向训练集均值而丢失长尾停顿的现象。论文的评估围绕可懂度与自然度展开，可懂度用词错率衡量，数值越低越好，自然度用自动 MOS 预测分数衡量，数值越高越好，另有频谱距离与基频误差作为辅助。资源状态方面，本次收到的证据中未发现完成验证的代码、模型或数据链接，因此不能声称代码或试听已公开，只能按论文文字理解方法与实验。

同输入同目标的已有路线各卡在哪里？

在相同输入文本、相同输出语音、相同监督的条件下，已有工作可分为两类。第一类是显式帧级音素对齐路线，代表是 Grad-TTS、Matcha-TTS 和 Voicebox。它们或用单调对齐搜索学出音素到帧的对应，或用外部强制对齐工具得到标注，先预测时长、上采样，再条件扩散。这类方法的运行阶段是先定结构后修内容，优点是训练稳定、推理可控，缺点是结构与内容解耦，论文指出它们在需要适配总时长时会做机械式均匀拉伸，把额外帧按比例分给所有音素，而不是留给该停顿的地方。

第二类是无显式对齐的单阶段路线，代表是 E3 TTS、E2 TTS、F5-TTS 等。它们省去时长预测器，依赖注意力或流匹配直接从文本生成长语音。优点是省去对齐标注与 2 阶段误差传递，缺点是论文与引用文献都报告了不稳定性，尤其在长句或分布外语速下容易出现对齐漂移。两类路线在运行阶段不同，前者在推理前就锁定长度，后者在推理中隐式决定长度，但都没有在每一步同时修改长度与频谱。

生成建模侧的相关工作是跳扩散与跨维度生成。论文引用的跨维度跳扩散原本用于维度会变的生成任务，其思想是在连续随机微分方程之外再加一个离散跳过程，使状态维度可以突变。还有带重尾噪声的扩散工作，动机也是连续高斯扩散难以表达多峰与稀有事件。本文的差异在于把跳变具体化为语音时间轴上的帧插入，把连续部分具体化为相对音素均值的方差保持扩散，并用保护集保证每个音素至少保留首帧，避免结构坍缩。这种同目标对照说明，本文不是提出新的通用扩散公式，而是把已有跳扩散思想实例化为语音的结构与内容联合过程。

论文把任务抽象成什么问题，要验证什么判断？

论文把合成抽象为从压缩的音素级状态逐步长成目标长度频谱的逆过程。正向看，真值频谱先被结构破坏再被频谱破坏：先随机删帧直到长度按时刻表缩短，同时保护每个音素的首帧，再按方差保持扩散加高斯噪声。逆向看，从带噪的音素级均值出发，交替做结构扩张与频谱去噪，最终回到全长清晰频谱。需要验证的核心判断有两个。第一，把时长建模从回归改成在插入槽上的分类，能否更好地保留多峰时长并提升可懂度。第二，在保持预训练扩散主干不变的前提下，能否通过临时上采样实现变长跳变与定长去噪的兼容，并在慢速等分布外条件下自适应分配停顿而非均匀拉伸。

为公平比较，论文在主结果中让所有系统的每句目标总长度与 Grad-TTS 完全相同，这样时长总量一致，差别只在时长如何分配到各音素以及频谱如何生成。在慢速实验中则统一把目标拉长到 0.75 倍语速对应的长度，观察额外帧的去向。这种控制是理解后文数字的前提：主实验比的是分配质量，慢速实验比的是分布外泛化策略。

跳扩散全景：一个样本如何从短变长、从噪变清？

沿一个样本走一遍。输入文本先过冻结的文本编码器，得到每个音素一个向量的非上采样均值序列，长度等于音素数。推理起点是这个短序列加上高斯噪声，长度最短、内容最糊。随后时间从 1 走向 0，每一步先看按线性长度表该有多长，若当前偏短就需要插入若干帧，若已够长则只去噪。

插入时位置预测器看当前带噪序列与条件均值，给出每个槽位适合插入的分数并采样出槽集合，内容预测器为每个槽生成频谱初值并加上对应时刻的噪声水平，先验均值侧也复制左邻帧以保持条件对齐，然后标准逆扩散步对整段做 1 次去噪。如此反复，序列逐渐变长变清晰，直到达到目标长度并完成去噪，送入 HiFi-GAN 声码器得到波形。

跳变过程 × 连续扩散： 跳变过程负责离散地改变序列长度，即在某个位置插入一个新帧，使状态维度增加，连续扩散负责在固定维度下逐步去噪、细化梅尔频谱的连续取值；二者搭配的理由是语音兼具离散的节奏骨架与连续的声学细节，单用连续扩散无法增减帧数，单用跳变无法修频谱，交替执行就让结构与内容在同一逆过程中共同演化。

下面这张过程示意图把上述交替讲得很直观，图中从左到右依次是扩散使纹理变化、跳变使列数增加、再扩散使新增列融入整体，顶部色块可理解为音素身份保持不变。

看图路径： 1. 先从左向右跟随 diffuse 与 jump 箭头，看帧数何时不变、何时增加一列；2. 观察第三到第四面板中红色框标出的新增列，再看它在最后面板如何被填实；3. 对比顶部色块代表的音素身份与下方频谱纹理，确认结构增加与内容细化的分工

论文图 1。原论文 Figure 1：“jump diffusion process for Mel-spectrograms.”。

从像素看，第一段扩散箭头前后列数未变，只有频谱纹理的蓝黄红分布轻微变化，对应连续去噪不改长度；中间跳变箭头后出现红色框标出的新增窄列，对应维度突增；最后一段扩散后该列的纹理与邻列衔接，不再是空白占位，对应内容被细化。这种先增结构再修内容的交替，正是全文方法的视觉锚点，后文的位置与内容预测器就是为这一步服务的。

位置选槽与内容填值如何分工，上采样如何复用旧网络？

位置预测器与内容预测器是新增的两个网络。位置预测器用 4 层 Transformer 编码器对当前每帧提取表示，再经线性头输出每个槽位的打分，训练目标是交叉熵，标签是正向过程中被删掉的那一列原本的位置。直观说，它学的是在当前残缺上下文中，哪里最缺 1 帧。内容预测器用 8 层 8 头双向 Transformer，输入是把目标列置零后的序列与精简先验，先经 1 维卷积抓局部再经 Transformer 看全局，输出相对先验均值的残差，训练用重建的 L1 损失加一项向先验靠拢的 L2 正则。两者分工明确：一个做分类选址，一个做回归填数。

推理管线的全貌如下导读所述，左侧是从文本到短状态的准备，右侧大框是每一步的决策循环，循环内先决定是否跳变，再依次调用位置与内容模块，最后回到扩散。

看图路径： 1. 先看左侧文本经编码器得到 phone 级均值，再看它如何进入右侧的循环框；2. 在右侧框内自上而下跟踪扩散网络、跳变判断、位置预测器与内容预测器的顺序；3. 注意虚线标出的上采样-扩散-下采样旁路与主扩散路径的汇合位置

论文图 2。原论文 Figure 2：“Inference pipeline. Starting from a noisy and incom- plete phone-level state, the model iteratively performs jumps and diffusion.”。

从像素看，左侧自上而下是文本、编码器、彩色条带表示的音素级均值，再向下进入标有跳扩散的循环，右侧放大框顶部是带噪频谱经扩散网络得到稍清晰频谱，中间经跳变判断后分出否与是两条支路，是支路依次经过位置预测器出现一条灰色竖线表示选中槽位，再经内容预测器使该竖线融入周围纹理。这种布局说明扩散与跳变不是并列独立模型，而是在同一循环内按需触发。

位置预测器 × 内容预测器： 位置预测器负责回答新帧插在哪里，它对当前所有可插入槽位输出分类分布，内容预测器负责回答新帧填什么，它基于左右上下文预测被删帧的频谱残差；搭配原因是时长是多峰分布，回归取均值会抹掉少见的长停顿，而分类保留多种可能，位置先选槽、内容再填值，两步分工就把结构决策与声学实现解耦又保留联合迭代的可能。

变长与定长的矛盾由上采样-扩散-下采样策略解决。直接把变长序列喂给预训练 U-Net 会遇到维度每步变化、卷积缺乏尺度不变性的问题。论文的做法是先按位置与内容预测把当前短序列 1 次性撑到目标长度的固定画布，在画布上调用冻结的扩散网络做一步去噪，再下采样只保留原始列进入下一步。这样预训练权重的归纳偏置得以保留，又能迭代地联合精修结构与内容。

下面这张图把该策略拆成左右两路，左侧是分类分布指导的扩张，右侧是固定画布上的去噪与回缩，适合对照理解复用旧网络的技巧。

看图路径： 1. 先看左侧位置预测器输出的条形分布，确认它选择插入槽位的分类含义；2. 再看白色空槽如何被内容预测器填成彩色帧，形成底部全长画布；3. 最后跟踪右侧扩散网络去噪后又下采样回短序列的箭头方向

论文图 3。原论文 Figure 3：“Upsample–Diffuse–Downsample (UDD).”。

从像素看，左侧顶部短彩条经位置预测器得到中间的条形分布图，分布峰值决定哪些灰色空槽被激活，底部经内容预测器后空槽被填成彩色全长条带；右侧该全长条带向上经扩散网络后纹理更连贯，再向上收缩回顶部短彩条。这种先撑满再收缩的闭环解释了为何不需要重训 U-Net。若所有插入都在最初一步完成，模型就退化为单发变体，此时位置预测器实质上替代了 Grad-TTS 的回归时长预测器，成为分类式时长模型。

上采样-扩散-下采样 × 固定维度扩散网络： 上采样-扩散-下采样负责把变长状态临时撑到目标长度的固定画布上，固定维度扩散网络负责在该画布上执行一步预训练好的去噪；搭配原因是预训练 U-Net 依赖卷积的平移偏置且要求输入长度固定，直接在变长上跑会破坏其归纳偏置，临时上采样让旧网络可复用，去噪后再只保留原始列进入下一步，从而在不重训主干的情况下实现变长跳变与定长去噪的衔接。

训练时冻结什么、更新什么，监督从哪里来？

训练安排是论文可复述的关键。文本编码器与 U-Net 扩散主干采用 Grad-TTS 官方检查点权重并在跳预测器训练期间保持冻结，只有位置预测器与内容预测器被更新，优化器用 Adam，学习率取 1 乘 10 的负 4 次方，其他超参数沿用 Grad-TTS 配方。这种冻结意味着频谱去噪能力来自预训练，新增能力只学何时何地插入与插入什么，避免了联合重训的不稳定。

监督的构造完全来自前向模拟。给定真值频谱、编码器均值与强制对齐，先按线性长度表决定目标长度，随机保留包含每个音素首帧保护集的若干列，得到精简序列，再按方差保持规则加噪得到带噪状态。随后随机删去其中一列，用删前该列的真值频谱作为内容目标，用被删索引作为位置目标。这样每一步训练只需要单步跳变三元组，无需展开完整逆轨迹，位置学交叉熵，内容学 L1 加先验正则。论文未报告位置与内容损失的加权细节、采样步数与推理耗时，也未给出训练轮数与硬件预算，这是复现时需要补记的缺项。

单发变体 × 迭代精修： 单发变体负责在推理最开始 1 次性按位置预测分布把 phone 级序列补足到目标长度，此后只做常规扩散去噪，迭代精修负责在从长到短的多个逆步骤中多次少量插入并多次去噪；前者退化为分类式时长模型替代回归式时长预测器，用于验证分类本身的收益，后者在慢速等分布外条件下能根据中间声学状态自适应分配停顿，二者共用同一套训练出的预测器，只是插入时机不同。

单发与迭代的区别只在推理侧的插入时机，训练侧共用同一套预测器。单发在起始时刻按分布 1 次分配完所有新增帧，迭代按长度表分多次分配。理解这一点后，后文主结果中单发提升可懂度与慢速中迭代自适应停顿的现象就有了统一解释：前者证明分类本身优于回归，后者证明多次按中间状态决策优于 1 次定死。

数据、划分、声码器与指标如何固定比较条件？

实验在 LJSpeech 单说话人数据集上进行，采用与 Grad-TTS 相同的标准划分，扩散网络与文本编码器结构沿用 Grad-TTS 并以预训练权重初始化，波形合成用预训练 HiFi-GAN 声码器。可懂度用 Whisper medium 转写后算词错率，自然度用 UTMOSv2 自动预测分，另报告梅尔倒谱失真与对数基频均方根误差作为频谱与韵律参考。论文明确主结果中每句的目标总长度对所有系统保持与 Grad-TTS 相同，这是公平性的核心：总量锁死后，词错率差异只能来自时长分配与频谱质量，而非语速快慢。

慢速实验是分布外测试，把目标长度拉长到对应 0.75 倍语速，观察额外帧的分配。论文用动态时间规整路径与梅尔图展示 Grad-TTS 的近线性拉伸与所提方法的阶梯式停顿插入，并统计平均总时长、平均静音时长、静音占比与词错率。需要提醒的是，UTMOSv2 是自动 MOS 预测而非真人听感，数值高低可作相对参考，不宜直接等同于人评；词错率依赖特定识别器，转写错误不完全等于人耳可懂度。论文未报告多次随机种子的方差与显著性检验，主表中的正负号是样本标准差而非置信区间，解读时应留有余地。

主结果：分类时长带来什么收益，代价是什么？

主结果要回答的问题是，在总长度完全相同的条件下，不同结构建模方式谁的语音更清晰、更自然，指标方向是词错率越低越好，频谱失真与基频误差越低越好，UTMOSv2 越高越好。下表整理了论文主表中的关键行，保留原文数值写法与精度，百分号只出现在词错率列的表头含义中，数值格保持原文裸值，标准差保留正负号形式。

表后需要仔细权衡收益与代价。单发变体取得最低词错率 3.37 与最高自然度预测分 4.050，相对基线的 4.38 与 4.024 有实质改善，且除时长预测器外其他组件完全相同，因此论文将其解读为分类式时长优于回归式时长的直接证据，这是支持的判断。代价是单发的频谱失真略高于基线，说明可懂度提升并非来自频谱更接近真值，而是时长分配更合理。

迭代的上采样扩散下采样版本在频谱失真上最优，取最大版达 5.830，但词错率回到 4.55 至 4.71，略逊于基线，自然度也略低，说明多次插入带来了更好的频谱拟合却未在匹配长度下转化为可懂度优势。未胜出项是直接跨维度扩散，其词错率在 6.31 至 7.66 之间，论文将其归因于维度每步变化带来的学习不确定性与卷积缺乏尺度不变性，这属于有限解释而非严格消融，待进一步验证。

下面这张对齐路径图为慢速下的自适应停顿提供了直观证据，导读先帮读者定位坐标与线型含义。

看图路径： 1. 先确认横轴为常速真值时间、纵轴为慢速合成时间，再区分三条线的含义；2. 重点观察 3.2 秒附近蓝色实线的垂直跳变段，对比橙色虚线的平滑斜率；3. 沿整条路径比较蓝色线在停顿处滞留与在其他段贴近参考线的差异

论文图 4。原论文 Figure 4：“DTW alignment paths at 0.75× speed.”。

从像素看，横轴是常速真值时间，纵轴是慢速合成时间，橙色虚线代表基线的均匀拉伸，蓝色实线代表所提方法的智能停顿，灰色细线为等速参考。在约 3.2 秒处蓝色实线出现红色框标出的近垂直跳变，意味着真值推进很小时合成时间大幅增加，即插入了一段停顿，而橙色虚线此处仍保持平滑斜率。这种阶梯与直线的对比支持了自适应分配的说法，但需注意这只是单句示例，不能推广为所有句子都如此。

慢速下的反证：多出来的时间花在了哪里？

慢速实验要回答的问题更尖锐：当总时长被迫拉长，模型是把额外帧均匀摊给所有音素，还是集中插入语言学上合理的停顿。比较条件是平均总时长对合成系统锁死为 7.37 秒，真值常速平均为 6.26 秒，指标方向是静音占比高低反映策略，词错率低反映可懂度。下表保留原文的时长与占比写法，静音占比带百分号，总时长与静音时长以秒为单位，词错率保持裸值。

表后解释指向明确的机制差异。Grad-TTS 在总时长增加约 1.1 秒的情况下静音仅从 0.45 秒微增到 0.47 秒，占比反而从 7.19% 掉到 6.38%，动态时间规整路径近乎直线，论文报告这证实了均匀拉伸稀释了停顿。所提方法取最大版静音达 0.71 秒、占比 9.63%，采样版为 0.61 秒、占比 8.28%，均超过真值常速水平，词错率分别降到 4.09 与 4.19，优于基线的 4.29。论文因此判断把额外时长留给停顿有助于可懂度，这是数据支持的结论。但限制也很清楚：静音占比超过真值是否总是自然，论文未做人评验证；该收益只在慢速分布外条件下测得，常速匹配长度下迭代版并未优于基线，说明自适应停顿的价值是有条件的。

哪些结论还不能下，缺了哪项验证？

首先区分 3 类表述。论文直接报告的是数字：单发 3.37% 对基线 4.38%，慢速下静音占比 9.63% 对 6.38% 与词错率 4.09% 对 4.29%，这些是可复述的事实。有限解释的是机制归因：回归坍缩向均值、跨维度扩散因维度变化与缺乏尺度不变性而失败、均匀拉伸稀释停顿，这些有对照支持但未做严格变量分离，应表述为支持而非证明。未验证推测的是未来方向：频谱域跳变能做离散频谱修正、多说话人与自发语音上优势会更大，这些尚未实验，只能说可能或待验证。

缺失的证据不是技术错误，但影响复现与选型。论文未报告训练步数、批量大小、硬件与耗时，未报告推理实时率与步数对延迟的影响，未做真人平均意见分测试，未报告多次种子的统计显著性，也未评估长句、噪声或多说话人条件。自动指标与真人听感之间存在差距，词错率相同不代表听感相同。此外，跳变目前只作用于时间结构，频谱仍靠连续扩散精修，若频谱出现离散性错误则无法一步纠正。试听链接在原文中以匿名地址给出，但本次未完成可达性验证，因此不能声称音频已公开可听。

要复现先做什么，需要哪些固定条件？

复现的第一步是锁死基线。按 Grad-TTS 官方结构准备文本编码器与 U-Net 扩散主干并加载预训练权重且冻结，准备 LJSpeech 标准划分与强制对齐以得到每个音素首帧保护集，准备预训练 HiFi-GAN 声码器与 Whisper medium、UTMOSv2 评测管线。只有在目标总长度与 Grad-TTS 逐句相同的条件下比较主结果，才有意义，否则语速差异会污染词错率。

第二步是实现前向模拟与两个预测器。前向按线性长度表从全长向音素数收缩，tmin 取 0.1，保护集必保留，其余随机删，加噪按方差保持规则相对精简均值进行。位置预测器做 4 层 Transformer 加线性分类头，内容预测器做 1 维卷积加 8 层 8 头双向 Transformer 预测残差。训练时每次随机删一列构造单步三元组，分别算交叉熵与 L1 加先验正则。推理时先实现单发变体验证分类时长本身的收益，再实现上采样到目标长度、定长去噪、下采样保留原始列的循环。采样策略需区分取最大与按分布采样，两者在主表与慢速表中结果不同。

第三步是补论文未交代的细节。记录随机种子、批量、轮数、学习率调度、扩散步数与求解器类型，分别测常速匹配长度与 0.75 倍慢速两种条件，统计总时长、静音时长、占比与词错率，并保留动态时间规整路径与梅尔图以便对照。若要声称自然度提升，建议补真人听感测试而非仅依赖自动预测分。

何时值得尝试这种联合精修，何时不必？

当你的任务需要保留音素级可控性，又希望韵律不被回归平均化，尤其需要在变速或分布外语速下仍能合理分配停顿时，这种跳变管结构、扩散修内容、分多次联合精修的思路值得尝试。单发分类时长是成本最低的起点，它只替换时长预测器而不动主干，论文显示即可带来可懂度改善。完整迭代适合对停顿与节奏敏感的场景，但会引入变长循环与额外预测器开销，推理更复杂。

当数据本身韵律单一、总长度无需泛化，或系统已无显式对齐且稳定性优先时，不必照搬全套迭代。可以只借鉴分类式时长或保护首帧的思想。常见的误解是把词错率降低等同于音质全面提升，实际上本文单发的频谱失真并未最优，提升来自时长分配；另一个误解是把静音占比高直接等同于更自然，超过真值的停顿是否合适仍需听感验证。回到中心矛盾：固定结构换稳定、可变结构换多样，本文用临时撑到固定画布的技巧让两者在同一过程中兼得一部分，但并未消除对预训练主干与强制对齐的依赖，这正是复现与改进的起点。

⚖️ 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