留住多少口音自己定：用离散扩散重写口音相关的语音单元

英文题目：Controllable Accent Normalization via Discrete Diffusion

会议身份：conference:interspeech:2026:conference-paper-id:bai26b_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 #向量量化 #语音 #语音转换

评分：6.9/10 | 创新 1.5/2 | 技术严谨 1.2/1.5 | 实验充分 1.1/1.5 | 清晰度 0.8/1 | 影响力 1.0/1.5 | 开源 0.2/1.5 | 可复现 0.1/0.5 | 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

• Qibing Bai：机构信息未能从会议 PDF 纯文本可靠映射
• Yuhan Du：机构信息未能从会议 PDF 纯文本可靠映射
• Tom Ko：机构信息未能从会议 PDF 纯文本可靠映射
• Shuai Wang：机构信息未能从会议 PDF 纯文本可靠映射
• Yannan Wang：机构信息未能从会议 PDF 纯文本可靠映射
• Haizhou Li：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

口音归一化（Accent Normalization，AN）需将第二语言（L2）口音语音转为母语（L1）发音，同时保留说话人特征与语言内容，难点在于口音强度不可调与节奏失配。所提扩散语言模型口音归一化（Diffusion Language Model for Accent Normalization，DLM-AN）先由自监督分词器与内容编码器抽取音素导向表征，再由公共词元预测器筛选可复用的原生发音词元，并由时长比预测器决定目标长度，最后由掩码离散扩散解码器迭代补全目标词元并经流匹配合成器重建波形。相比连续扩散调起始步长与自回归词元映射，该机制以阈值控制复用比例实现细粒度口音保留，同时支持总时长缩放。在扩展L2-ARCTIC测试集下，DLM-AN-2的WER为10.64%，低于Source的WER 15.86%。随着复用阈值降低，口音保留连续增强而内容可懂度轻微下降，验证了阈值旋钮的可解释控制作用。该结论的适用边界限于英语多口音与合成原生目标的半合成评测，对重口音识别误差传播与极端时长缩放仍脆弱受限。原文未披露训练、推理或部署成本。

🔗 开源与复现资源

• 演示资源：https://P1ping.github.io/dlman-demo/ — 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，输出要保留什么？

这篇论文研究的输入是一段带第二语言口音的英语语音，也就是论文所说的 L2 口音语音，目标是把它变成以英语为母语者口音说出的同一句话，同时尽量不改变说话人音色和句子内容。必须保留的信息有 3 类：词义内容不能错，说话人听起来还是同一个人，句子时长和节奏可以按需调整。输出是重新合成的波形，不是简单的变速或滤波。

论文强调的应用是语言学习中的渐进口音弱化和配音中的口音保留程度调节，这要求系统提供一个可调的旋钮，而不是 1 次到位的完全转换。初学者容易误以为口音归一化等于语音识别加语音合成，论文的路线是先把语音变成离散单元，再在单元层面决定哪些位置重写、哪些位置保留，最后才合成声音，这样保留与重写可以做到按位置控制。

论文在摘要中明确提出基于掩码离散扩散的 DLM-AN 系统，并用公共单元预测器选择复用源端单元，用时长比预测器调整总时长，实验在多口音英语数据上报告了最低词错误率和可解释的强度控制。当前演示链接在资源状态中显示为可用，读者可按官方页面试听，但本文所有判断仍以论文正文证据为准。

已有路线为什么给不出强度旋钮？

早期口音归一化路线可以分成三代。第一代依赖参考，需要本地口音的参考语音或音素后验概率特征来生成去口音表示，或者依赖本地语音合成做目标。第二代去掉参考，直接在口音表示与本地表示之间映射，但仍需要平行数据。第三代去掉平行数据约束，用识别合成流水线、口音特征解耦或合成引导的表示，再加上流匹配或归一化流改进，但目标常来自语音合成克隆，其质量受音色克隆和时长建模误差限制。

近期基于单元的方法把语音量化为自监督离散单元，代表系统是 TokAN 和 CosyAccent，TokAN 做自回归的单元到单元转换并支持总时长控制，CosyAccent 做非自回归的直接流匹配并引入源端合成数据策略。论文指出这些系统都不提供口音强度控制，唯一尝试强度控制的工作是通过连续扩散起始时间步做调节，但它是帧到帧固定时长框架，缺少细粒度节奏可调性和时长控制。

另一类相关工作是可控口音迁移、可控口音合成和可扩展口音合成，它们控制的是合成阶段的口音渲染，而不是把已有 L2 语音连续地向本地靠拢。理解这段历史的关键是区分时长控制与强度控制：前者管说多快、总长多少，后者管在归一化和保留原口音之间做权衡，论文要同时给这两个旋钮。

要解决的矛盾是什么，评判标准有哪些？

中心矛盾是归一化越彻底，越容易抹掉说话人特征和原有节奏，而保留越多源端细节，又越容易留下非本地发音。论文希望用一个阈值连续地走完从完全生成到近乎重合成的中间状态。举例来说，教学例子是同一句话在本地人和学习者嘴里只有部分音段不同，大部分单元相同，如果能识别出相同的部分直接留下，只重写口音影响区，就能少改、改准。这个例子只是帮助理解假设，不代表所有口音都满足该比例。评判标准在论文中分成主观和客观两套。

主观有自然度、口音度和说话人相似度，口音度用 MUSHRA 打分，分数越低表示越接近本地，相似度用最优最差缩放方法统计。客观有词错误率模拟听者可懂度，数值越低越好，UTMOSv2 预测自然度，数值越高越好，说话人编码余弦相似度衡量音色保持，数值越高越好，音素后验概率距离衡量与目标或源端的发音距离，数值越小表示越接近比较对象。论文特别提醒，音素距离主要反映音段相似，而人工感知的口音还受节奏和韵律影响，因此时长保留与否会拉开主观与客观的差距。

沿一个样本走完从波形到波形

先跟随一段 L2 语音走完全流程。第一步是分词，自监督分词器从波形提取表示并量化为离散单元，论文用 WavLM 大模型的第 22 层表示加 1024 类在线 K 均值码本。第二步是编码，Transformer 单元编码器把源端单元变成连续的内容表示，上面附带 CTC 音素引导，迫使表示更偏向音素内容。第三步是分叉决策，内容表示连同源端单元嵌入一起送入公共单元预测器和时长比预测器，同时也作为 DLM 解码器的条件。

公共单元预测器输出每个位置是公共单元的置信度，时长比预测器输出目标时长除以源端时长的比值。第四步是目标初始化，根据目标长度决定序列有多长，默认全填掩码符号做从零生成，也可按阈值把高置信源端单元按最近邻插值映射到目标长度上先放好。第五步是迭代生成，DLM 解码器在内容表示条件下把掩码位置逐步解开。第六步是合成，流匹配合成器以目标单元和源端提取的说话人嵌入为条件生成梅尔谱，再经 HiFT 声码器变成波形。

下面先看总览图建立位置感，再展开每个组件的计算含义。 下面这段导读帮你带着问题看总览图：入口是左侧橙色波形，出口是右侧目标梅尔谱，中间 3 条分支分别管留什么、管多长、管怎么写，重点看目标初始化如何把前两者的输出拼成解码器的起点。

看图路径： 1. 从左侧源端波形经 SSL 分词器到内容编码器的主链路逐段确认；2. 观察内容特征同时分叉到公共单元预测器、时长比预测器和 DLM 解码器的三条箭头；3. 对比目标初始化处源端单元直连与掩码符号混合的两种输入来源；4. 检查合成器下方说话人嵌入注入位置与目标梅尔输出的最终出口

论文图 1。原论文 Figure 1：“Overview of the DLM-AN pipeline. The SSL tokenizer extracts discrete tokens from L2-accented speech.”。

看完图后可以这样复述：源端单元一分为二，一路变成内容特征作为全局条件，另一路变成置信度和时长比作为初始化参数；目标初始化是唯一的汇合点，它把长度和保留位置定下来后，解码器只负责填空；合成器不再管口音判断，只管在给定单元和音色下把声音做好。这种分工让强度控制和时长控制互不干扰，论文评估时也明确说明为简单起见不同时使用单元复用和时长缩放。

哪些位置值得留下，哪些必须重写？

公共单元预测器的直觉是，在音素丰富的分词器下，同一句话的本地读法和口音读法在发音相似区共享很多单元，只在口音影响区不同。训练时它被当作序列标注问题，给定配对的源端与目标单元序列，用最长公共子序列找出共享符号，对连续相同符号时长不一致时只把居中对齐的标为正例，其余标为负例，再用二分类交叉熵训练，论文还对正例加了权重 2 以平衡标签。推理时分数高于阈值的源端位置被复用，阈值越高留下越少，阈值为 1 时相当于从零生成，阈值为 0 时相当于全部复用做直接重合成。

自监督语音单元 × 掩码离散扩散： 自监督语音单元负责把波形变成与音素高度相关的离散序列，掩码离散扩散负责把被掩码的位置并行地迭代恢复为本地口音版本；前者提供可比、可复用的符号，后者提供可从全掩码或部分保留出发的生成过程，两者搭配才让按位置选择保留还是重写成为可能。

DLM 解码器是自注意力结构，没有因果掩码，输入是内容特征序列加带噪目标单元序列，中间用起始、任务、结束 3 个特殊符号包裹分隔。注意力做了不对称设计，内容特征之间互看但不看单元序列，使条件在不同掩码步可复用，单元序列则可看全部输入，从而在内容引导下并行预测被掩码位置。训练用掩码位置上的交叉熵，按掩码率加权，论文说明这是似然界目标的掩码率形式。推理用贪心采样加分类器无关引导，把有条件和无条件的对数输出按权重组合，每步选置信最高的若干位置解开，未被选中的保持掩码。

公共单元预测器 × 口音强度控制： 公共单元预测器负责给每个源端单元打分，判断它是否可能与本地目标共享，口音强度控制负责把分数变成复用决策；分数高意味着发音已接近本地、可直接留下，阈值越低留下越多，口音保留就越多，这种阈值复用把控制变成了可解释的初始化选择。

内容编码器、公共单元预测器和时长比预测器都用带相对位置编码的 Transformer，解码器用旋转位置编码。内容表示要同时服务 3 个模块，论文在编码器顶加线性头预测音素对数输出，用 CTC 损失对齐转录得到的音素序列，迫使表示保留可识别的音素信息。

内容表示 × 音素引导： 内容表示负责为解码器提供应说什么的连续条件，音素引导负责用 CTC 损失把它拉向可识别的音素序列；前者若只记住说话人或通道信息会误导生成，后者用转录对应的音素序列做监督，使表示更偏向发音内容，从而支撑归一化而不丢失词义。

时长比预测器用扩散 Transformer 加注意力池化，以条件流匹配训练，学习从标准正态先验到真实时长比的速度场，推理时可预测比值，也可人工指定比值或固定为 1 保持源端时长。合成器是相对位置 Transformer 编码器加扩散 Transformer 解码器，编码后与说话人嵌入拼接，用双路分类器无关引导分别加强内容和音色条件。

时长比预测器 × 流匹配合成器： 时长比预测器负责估计目标总时长与源端总时长的比值，决定目标单元序列应有多长，流匹配合成器负责把定好长度的单元序列连同说话人嵌入变成梅尔谱并声码；前者管全局节奏伸缩，后者管声学实现，两者分开后既可预测时长也可人工指定时长比。

把这些放在一起，复用阈值管口音留下多少，时长比管整体说多快，解码步数和引导强度管生成质量，三者正交是这套方法可控性好的结构原因。

监督从哪里来，哪些模块一起训练？

训练数据分成预训练和微调两段。英语子集 Emilia 英语部分只用于预训练，LibriTTS-R 用于训练分词器和流匹配语音合成器，增强版 LibriTTS-R 带合成的 L2 对应语音，扩展版 L2-ARCTIC 带伪本地目标，两者一起用于微调。伪本地目标用只在 LibriTTS-R 上训练的零样本 Matcha 语音合成模型生成，L2 对应语音沿用已有源端合成数据集的划分，避免文本泄漏。分词器码本在 LibriTTS-R 上训练，合成器在本地数据上单独训练。

最长公共子序列 × 二分类标签： 最长公共子序列负责在配对的源端与目标单元序列之间找出可对齐的相同符号，中心对齐处理连续重复符号时长不一致的情况，二分类标签负责把是否属于公共子序列变成每个源端位置的 0 或 1 监督；前者是构造监督的方法，后者是训练公共单元预测器的目标，两者把复用直觉变成了可学习的序列标注问题。

单元预测模块联合训练，目标是掩码扩散损失加时长预测损失加公共单元损失加 CTC 损失，权重分别取 1.0、1.0 和 0.2。为避免模型学会照抄源端序列，预训练时对源端单元做 BART 风格的破坏。与 TokAN 相比，DLM-AN 不使用源端口音嵌入，TokAN 在合成阶段预测逐单元时长，DLM-AN 在单元转换阶段预测总时长比。论文未报告优化器类型、学习率、批量大小和训练轮数的完整组合，也未说明各模块参数冻结与更新的细节，因此复现时只能先按上述数据构造和损失权重搭建，缺失的超参数需要自行搜索并记录。

推理时 DLM 用 32 步贪心采样，引导强度取 1.0，合成器用 32 步欧拉采样，双路引导强度各取 1.0，TokAN 生成用束宽 10 的束搜索，CosyAccent 沿用原论文的采样步数和引导权重。

在什么数据和基线上比较，条件是否对齐？

测试集是扩展版 L2-ARCTIC，覆盖阿拉伯、中国、印度、韩国、西班牙、越南口音和本地美音，共 80 句，划分与源端合成训练数据一致且无文本泄漏。比较对象是两类强基线，TokAN 是自回归单元到单元模型，含流匹配时长预测，测试两种模式，直接预测单元时长和保持总时长，CosyAccent 是非自回归直接流匹配模型，含总时长比预测，同样测试预测时长和继承源端时长两种模式。DLM-AN 测试 4 种配置，预测时长比、继承时长从零生成、继承时长加阈值 0.3 复用、阈值 0 全复用重合成。

为简单起见，复用与时长缩放不同时使用。主观评测有 25 名打分者，自然度和口音度用 MUSHRA，口音度评估排除本地口音，相似度用最优最差缩放统计。客观指标方向已在问题节说明，词错误率来自只在本地数据训练的识别模型，UTMOSv2 来自神经网络预测器，音色相似度用对口音鲁棒的 Resemblyzer，音素距离用外部后验概率工具，默认与合成的本地目标比较，部分分析也与源端比较以衡量去除了多少口音。

合成器在 3 个基于单元的系统中共享 Resemblyzer 说话人嵌入和 HiFT 声码器，尽量对齐音色条件和波形后端。 下面这张表把复现前必须固定的运行条件收拢在一处，重点核对采样步数、引导强度、分词层数与码本大小以及联合损失权重，缺失的优化细节仍需自行补齐实验记录。

表后需要强调的是，这张表只固定可运行策略，不代替效果比较。

束宽与步数的差异意味着解码成本不同，引导权重的差异会影响内容保持与音色保持的取舍，复现时应先按原值跑通，再单独做消融，避免把采样配置的红利误记为模型结构的胜利。

主结果在自由时长下说明了什么？

先看自由时长比较，也就是模型自己预测目标时长，回答归一化能力与内容保持的整体权衡。论文报告 DLM-AN 同时拿到更低的口音度和更低的词错误率，而自然度保持在接近最优的位置。理解时要注意主观口音度与客观音素距离并不完全同向，因为前者还受节奏影响，后者更偏向音段相似。

下面这张表聚焦自由时长下的可运行策略对比，比较问题是同样允许模型决定时长时，谁在可懂度、自然度和口音度上更均衡，公平条件是测试集与合成后端对齐，指标方向为词错误率越低越好，自然度越高越好，口音度越低越好。

表后解释是，DLM-AN 在内容保持上优势最明显，词错误率比两个基线各低约 1 到 2 个百分点，口音度也是三者最低，自然度预测与主观自然度都处于次优且紧贴最优。具体代价是说话人相似度并未同时最优，自由时长改变了原有节奏，主观相似度为负值，说明彻底归一化会削弱身份感。

未胜出项也要点名，自然度主观最高仍是 TokAN，直接流匹配的 CosyAccent 在该组并未占优，这提示单元级迭代生成在该数据上对可懂度的帮助大于对主观自然度的帮助。 下面这段导读帮你看单样本可视化：横轴是单词与音素边界，纵轴左侧是梅尔频率、右侧是公共单元概率，绿色曲线越高表示越可能是本地发音，重点找曲线掉下去的位置。

看图路径： 1. 沿横轴单词与 PPG 音素边界核对绿色 CTP 概率曲线的起伏位置；2. 重点观察句首 a 的拉长段、had 的混乱段和 death 尾音三处低置信区间；3. 对比发音清晰段的高置信峰与重口音段的低谷差异

论文图 4。原论文 Figure 4：“Visualization of common token prediction for a Chinese-accented sample.”。

这张图的教学价值在于把分数与信号对应起来：句首 a 被拉长处、had 整体混乱处、death 尾音像清擦音处都对应低置信，说明预测器不是随机打分，而是对准了可听的重口音模式。这支持了按分数复用的合理性，但也提醒若音素边界或后验概率本身出错，低分可能来自识别误差而非真实口音。 下面这段导读帮你看复用比例实验：三块面板共享横轴复用比例，纵轴分别是词错误率、与目标的音素距离、与源端的音素距离，蓝色是按分数选，红色是随机选，重点看同横坐标下的垂直差距。

看图路径： 1. 先看左中右三块面板各自的纵轴指标与横轴复用比例含义；2. 对比同一复用比例下蓝色 CTP 选择与红色随机选择的纵轴差距；3. 观察复用比例增大时三条曲线的单调方向是否符合预期

论文图 5。原论文 Figure 5：“CTP-based vs. random token selection at varying reuse proportions.”。

这组曲线的结论是，按分数复用在相同保留量下通常词错误率更低，与目标更近、与源端更远，随机复用更容易留下重口音单元。论文据此认为阈值复用是更可靠的旋钮。限制是这组分析用比例控制，而实际部署推荐阈值控制，因为不同句子的口音强度不同，固定比例会一刀切。 下面这段导读帮你看时长鲁棒性：横轴是目标时长与源端时长的比值，纵轴是词错误率，3 条曲线分别是三系统，重点看压缩端和拉伸端的表现分化。

看图路径： 1. 确认横轴时长比从 0.5 到 1.5 与纵轴词错误率的对应关系；2. 比较压缩端 0.5 处 DLM 与另外两条曲线的垂直差距；3. 观察 1.0 附近三者最低点与拉伸端 1.5 处的变化趋势

论文图 7。原论文 Figure 7：“WER (%) at varying duration scaling ratios for TokAN, CosyAccent, and DLM-AN.”。

这张图显示 DLM-AN 在多数时长比下词错误率最低，优势在压缩端最明显，时长比为 0.5 时另外两系统退化更严重。论文解释 TokAN 在压缩时常因去重后单元序列长于期望时长而被迫丢弃单元，DLM-AN 直接生成目标长度的单元序列更稳。但拉伸到 1.5 时优势收窄，论文认为极端拉伸在训练中少见，因此不要把该结论推广到任意时长变换。

阈值旋钮是否连续可解释？

再看继承源端时长下的强度控制，回答旋钮是否单调、代价是什么。论文用阈值控制复用比例，阈值越低留下越多，阈值为 1 是从零生成，阈值为 0 是全复用。报告的趋势是口音度、相似度、音色相似度随保留增多而上升，词错误率和与目标的音素距离随保留增多而变差，这正是预期的权衡。

下面这张表把该权衡收拢为同一系统内的连续对比，比较问题是阈值变化是否带来单调可预测的变化，公平条件是都继承源端时长且只改变阈值，指标方向为口音度越低表示越本地，相似度与音色相似度越高表示越像源端，词错误率越低越好。

表后解释是，主要收益是平滑可解释，全复用时口音度接近源端的 48.46，说明旋钮能走完从归一化到重合成的全程，中间阈值 0.3 给出折中点。具体代价是每保留一分口音就付出可懂度，词错误率从 10.64% 升到 14.94%，音素距离同步拉大。

反例也要说明，继承时长本身会抬高口音度、拉低自然度，因为 L2 节奏被保留，论文中从零生成但继承时长的版本与预测时长的版本音素距离接近，但主观口音度更高，这说明只看音素距离会低估节奏对听感的影响。

哪些组件被拿掉后变化最大？

论文的消融基于继承时长从零生成的版本，考察分类器无关引导和 Emilia 预训练两个因素。报告显示去掉引导后词错误率从 10.64% 升到 11.23%，音素距离从 0.2773 升到 0.2907，音色相似度从 0.8521 降到 0.8488，变化幅度属于温和改善。去掉预训练后词错误率升到 16.61%，音素距离升到 0.3306，音色相似度基本持平在 0.8513，说明大规模本地预训练对内容保持至关重要。由于原文消融表只有三行且正文未给出方差或显著性，解读时只能说支持预训练有效，不能断言每句都如此。

另一个隐含的对照是时长条件的影响，自由时长与继承时长的成对比较在 3 个系统中一致地显示，继承源端时长会提高口音度、降低自然度，这反证了时长比预测器对主观听感的价值。论文未做公共单元预测器结构、CTC 权重、解码步数和码本大小的系统消融，这些是复现时值得补的验证，但不能从缺失推定它们不重要。

边界在哪里，哪些结论不能推广？

论文在结尾明确列出四点局限。第一，内容编码器依赖识别得到的音素监督，重口音输入的识别错误会向后传播，降低转换质量。第二，解码时的重复发音问题可能出现，需要引入纠正或重掩码机制。第三，分词器与合成器只在本地数据上训练，重构重口音语音的鲁棒性可能不足，加入 L2 数据可能有帮助但尚未验证。第四，用学习型离散码本替代 K 均值可能提升音素区分性，但同样待验证。

这些都是可能方向，不是已证明的改进。未评测的边界也要点名，测试集只有 80 句、7 种口音条件，口音度主观评估排除了本地口音，推理延迟、实时率和训练算力预算未报告，因此不能承诺延迟或成本改善。总体趋势不等于每组每步成立，例如时长拉伸到 1.5 时 DLM-AN 的优势已不明显，阈值曲线的两端变化更陡，中间更平缓，使用时应按目标场景单独验证。

要复现先做什么，需要哪些超参数？

复现的第一步是数据构造，先准备 Emilia 英语、LibriTTS-R 及其合成 L2 对应版本，再准备扩展版 L2-ARCTIC 及其伪本地目标，伪目标用只在 LibriTTS-R 训练的零样本 Matcha 合成模型生成，并沿用源端合成数据的训练验证测试划分以防文本泄漏。第二步是分词与合成，用 WavLM 大模型第 22 层表示在 LibriTTS-R 上训练 1024 类在线 K 均值，合成器在本地数据上单独训练。第三步是联合训练单元预测模块，按时长 1.0、公共单元 1.0、CTC0.2 的权重组合，源端序列加 BART 风格破坏，先在本地数据预训练再在半合成平行数据微调。

第四步是推理，按继承或预测时长定长度，按阈值复用初始化，再用 32 步贪心加引导强度 1.0 迭代解开，最后用说话人嵌入条件合成并声码。值得尝试的场景是需要渐进弱化口音的跟读训练和需要保留部分口音的配音，前者用高阈值多改，后者用低阈值少改。还需补的验证包括重口音句的可懂度分布、不同码本与步数下的稳定性、以及主观评测的重复性。

代码与权重方面，论文正文未声明开源仓库，演示页面当前可用但不等于训练代码可运行，复现应以正文描述为准并记录缺失的优化器与学习率选择。

一句话收束：何时用它，何时不用？

当任务既要把 L2 语音推向本地发音，又要让老师或剪辑师连续决定保留多少原口音，同时还要能伸缩总时长，DLM-AN 的结构值得尝试，因为它把保留决策放在单元初始化，把节奏决策放在长度预测，把重写放在掩码扩散，每一步都有明确的输入输出。当输入口音极重、识别本就困难，或对延迟和算力有硬约束而论文又未报告相关数字时，不宜直接部署，应先在目标口音上补测可懂度与听感，并把阈值曲线和时长曲线重跑一遍。

记住两个易错点，音素距离好不等于听起来本地，阈值全复用好不等于内容无损，前者漏掉了节奏，后者留下了非本地发音。按此理解去读图和跑实验，就能把这篇论文的方法真正复述出来。

⚖️ 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