不用百万条身份数据：用一次真实参考锚定音画身份的伪造检测

英文题目：Referee: Reference-aware Audiovisual Deepfake Detection

会议身份：conference:interspeech:2026:conference-paper-id:boo26_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：#多模态学习 #跨语言 #音视频 #音频深度伪造检测 #说话人验证

评分：6.6/10 | 创新 1.5/2 | 技术严谨 1.0/1.5 | 实验充分 1.0/1.5 | 清晰度 0.8/1 | 影响力 1.2/1.5 | 开源 0.0/1.5 | 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

• Hyemin Boo：机构信息未能从会议 PDF 纯文本可靠映射
• Eunsang Lee：机构信息未能从会议 PDF 纯文本可靠映射
• Jiyoung Lee：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

输入为待判目标音视频与同一说话人的单段真实参考音视频，输出为真伪二分类及辅助身份一致性判定，难点在于未知伪造下唇同步线索易被遮挡、低分辨率抹除且难以泛化到新操纵。该方法先用基于 Synchformer 预训练的视听编码器将目标与参考切分为 0.64 秒重叠片段并拼接为视听联合序列，再经权重共享的身份瓶颈模块以可学习身份查询交叉注意力压缩出跨模态身份令牌，随后由身份匹配模块以目标查询参考做交叉注意力对齐得到参考感知表示。最后将类别令牌、参考感知令牌与原始目标特征拼接送入视听 Transformer 联合推理同步异常与身份违背，并以伪造分类交叉熵损失与身份匹配二元交叉熵损失相加联合优化。与仅做目标内部同步或视觉单模态身份对比的方法不同，其将伪造视为相对参考的身份外点而非像素异常。在 FakeAVCeleb 训练后零样本测试 KoDF 音频驱动子集上达到 99.41% AUC 和 99.47% AP，显著高于同期视听基线。该结论仅在参考与目标同身份、参考为真实且训练评估参考不重叠条件下成立，参考错配缺失与强压缩传输下的退化尚未验证。原文未披露训练推理成本与阈值校准。

🔗 开源与复现资源

• 第三方资源：https://github.com/black-forest-labs/flux — 链接可访问（HTTP 200）
• 第三方资源：https://github.com/deepfakes/faceswap — 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：要判定的音画目标与一次真实参考

这篇解读的输入是论文原文证据与本次收到的官方原图像素，目标是让刚进入语音与音乐音频领域的研究生能核对并复述 Referee 的做法，必须保留的信息包括数据来源、参考采样规则、编码器初始化、训练目标构成与评估聚合方式，输出是按学习依赖展开的方法与实验说明。本文只讲论文实际研究的任务：给定一段待判定的目标音画与一段同一人的 1 次真实参考音画，判断目标是真实还是伪造。

举例来说，例子是指目标中人脸看似本人但声音可能是合成的情形，论文要解决的是仅看唇同步或仅看单模态伪影在未见篡改、遮挡、低分辨率与跨语言下泛化差的问题。理解这一点后，后续的压缩、匹配与联合判定才有明确的检验对象：不是给任意视频打分，而是在有参考锚点的条件下验证身份与同步是否同时成立。

论文的任务设定强调参考与目标来自同一身份的对照。训练与评估时参考都从同身份的真实视频中采样，且训练与评估用的真实参考视频严格不重叠以防数据泄漏。评估时把每个目标视频切成 2.88 秒窗口并有 5% 时间重叠，从参考视频随机取一段 3 秒片段与所有目标窗口配对，最终视频级预测是对所有窗口的 softmax 概率做平均。这种设计把 1 次真实示例变成可复现的生物锚点，也决定了复现时必须记录参考长度、窗口划分与平均策略，否则同样的模型会因聚合方式不同得到不同结果。

背景补充：为何音画联合仍需身份锚点

对于刚入门的研究生，需要补一句学习依赖：语音与音乐音频研究常先学单模态特征与同步，但伪造检测的难点是生成器会专门优化同步与视觉真实感，单靠唇音对齐容易被高质量唇同步绕过。身份锚点的意义是引入与篡改类型无关的第二证据源：即使唇形与语音对齐，只要音色与面貌的跨模态对应偏离了该人的真实分布，仍可判假。这种思路与说话人验证有相通之处，但目标不是识别是谁，而是验证目标与参考是否为同一人且目标是否真实。理解这一区别后，才能正确设置同一人标签与真伪标签，避免把身份识别准确率直接当成伪造检测性能。

已有路线为何不够：伪影、唇同步与身份方法的分工

在进入 Referee 之前，需要按同输入、同目标、同监督来对照已有路线。第一类是单模态伪影路线：视觉方法关注形状畸变、边界伪影或频域异常，音频方法关注合成语音的频谱模式，它们在生成质量提高后可靠性下降，因为高保真合成抹掉了低层痕迹。

第二类是音画同步路线，利用面部运动与语音的自然对应，例如唇同步与时序转移，论文指出这类方法依赖唇部细粒度视觉线索，在手、麦克风或头姿造成局部遮挡以及低分辨率下会明显退化，且天然绑定唇同步类篡改，难以泛化到未见伪造。第三类是基于身份的参考路线：视觉的 ID-Reveal 与 ICT-Ref 做视觉比较，但依赖重生成模型代理任务或简单掩码变换，容易过拟合低层合成伪影而非身份特征。

音画的 POI-Forensics 用朴素特征拼接做对比学习，缺乏有意义的跨模态交换，且需要超过 5 分钟的参考录像，不便实际部署。

上述对照说明 Referee 的定位不是再加一种伪影分类器，而是把参考引导的跨模态生物特征对照显式化。论文报告的跨库结果支持这一判断：在 FaceForensics++ 上 Referee 取得最高 AP 与有竞争力的 AUC，在 KoDF 跨语言上超过此前方法，而已有参考模型在跨语言时下降明显。但这只是论文报告的现象，不意味着身份路线在所有条件下必然更优，后文需要结合训练数据规模、参考条件与指标方向来限定结论的适用边界。

同条件对照：训练集与参考条件必须同行比较

相关工作对照必须按同输入、同目标、同监督与同运行阶段进行。视觉基线如 Xception 与 LipForensics 只用视频输入，不应与音画方法在同表直接宣布胜负时忽略模态差异；音画基线如 AVAD、AVFF、FRADE 与 FoVB 不用参考，与 Referee 比较时需注明参考是额外信息条件。身份基线如 ID-Reveal 与 POI-Forensics 用参考但训练在 VoxCeleb2，与训练在 FakeAVCeleb 的 Referee 比较时需注明训练分布不同。论文在 FaceForensics++ 表与 KoDF 表中保留了模态、是否用参考与训练集三列，正是为了这种公平阅读。复述时若删去这些列，会把不同信息条件下的数字误读为同条件胜负，这是初学者最易犯的错误。

问题如何定义：同一人假设下的身份与同步联合判定

Referee 把问题定义为同一人假设下的二分类：给定目标与参考，判断目标是否为真实。若目标任一模态或双模态被篡改，即使伪造者意图模仿该人，也在身份匹配监督中被视为与参考不同的身份。具体做法是辅助任务的标签仅当两个样本来自同一人的不同真实录制时为 1，否则为 0，任何伪造内容都被视为不同身份。这种定义把换脸、表情操纵、语音合成与音画双改统一到身份不一致的框架下，同时保留同步线索作为第二维证据。

目标视频 × 参考视频： 目标视频是待判定的音画片段，参考视频是同一身份的 1 次真实示例作为生物锚点，前者提供待验的面貌与声音，后者提供判定同一人的基准，搭配理由是人类验真不是孤立看唇形，而是对照记忆中的音色与长相，Referee 把这种对照显式建模为目标查询对参考键值的交叉注意力。

从可操作角度看，复现时要区分两个标签：最终真伪标签用于深度伪造分类，同一人标签用于身份匹配。两者在伪造样本上取值不同但方向一致，伪造既是假也是不同身份。论文用二元交叉熵分别监督这两个头，总目标是二者相加。这种双目标设定是后续理解梯度来源与消融的关键：去掉身份查询或身份损失，模型仍能做真伪分类，但失去了显式的同一人约束。

方法全景：一个样本如何走完编码到两头输出

沿一个样本走完全程有助于建立依赖顺序。输入是目标与参考各自的视频帧序列与音频波形，先经视频编码器与音频编码器得到分段令牌，再拼接成联合音画序列。接着身份瓶颈模块用少量可学习查询从联合序列中压缩出身份令牌，目标与参考各得一组。然后身份匹配模块以目标令牌为查询、以参考令牌为键值做交叉注意力，得到参考感知的目标身份令牌。最后把参考感知令牌与分类令牌、目标音画特征拼接，送入音画 Transformer 联合建模时序伪影、同步线索与身份线索，由分类令牌输出真伪，由平均池化后的参考感知令牌输出同一人判定。

音画同步 × 身份一致性： 音画同步负责判断唇动与语音在时间上是否对齐，身份一致性负责判断目标与参考是否仍是同一人的跨模态生物特征，二者分工互补：前者抓时序伪造，后者抓换脸换声导致的身份漂移，Referee 把二者在 AV-Transformer 中联合推理，避免只依赖唇同步而在遮挡、低分辨率或未见伪造下失效。

下段导读图 1 的阅读顺序：先看左右分流与汇合，再看瓶颈与匹配的堆叠，最后看双分类头的分叉，这样能把文字描述的 3 个阶段对应到像素中的方框与箭头。

看图路径： 1. 从左侧参考与目标两路人脸加语谱图出发，沿视频与音频编码器向右追踪特征汇合点；2. 对比上下两个身份瓶颈框中共用的可学习查询输入与 K、V 来源；3. 在身份匹配模块内确认目标令牌做查询、参考令牌做键值的箭头方向；4. 查看最右侧 AV-Transformer 同时接收身份令牌、目标特征与分类令牌的两条分类头去向

论文图 1。原论文 Figure 1：“The overall framework of Referee. Identity queries are extracted by the IDB and conditionally refined in the ID matching module relative to the reference.”。

图 1 显示左右两路各有视频与音频编码器，左侧参考特征与下方目标特征分别进入上下两个身份瓶颈框，共用的可学习查询从中间输入，瓶颈输出的目标与参考身份令牌进入中间的身份匹配模块，其中目标做查询、参考做键值，输出的参考感知身份令牌与目标特征、分类令牌一起进入右侧 AV-Transformer，最右分出深度伪造分类器与身份分类器两个头。该图不支持逐数值读取，它的作用是确认数据流向与监督位置：压缩在前、参考校准在中、联合判定在后，双头分别对应真伪与同一人。

压缩如何做：身份瓶颈为何用共享权重的查询

身份压缩的难点是身份与瞬态因素纠缠：同样的说话人会因口语内容、表情与头姿产生不同观测。身份瓶颈的做法是用一组数量为 Nq 的可学习查询作为信息瓶颈，每个查询带可学习位置嵌入以稳定学习与编码相对位置。模块由 L 个相同 Transformer 块堆叠，每块含自注意力、交叉注意力与前馈网络，查询在每块中与联合音画特征交互，联合特征做键与值。通过交叉注意力，查询自适应地关注身份显著区域而忽略瞬态因素，最终输出定长的身份令牌集合。

关键实现是目标与参考分支共享瓶颈权重，这样两组令牌处于可比空间，为后续交叉注意力比较奠定基础。论文未报告查询维度 D 的具体取值与初始化细节的缺项需要在复现时记录为待确认，不从模型名称推定。

身份瓶颈模块 × 可学习身份查询： 身份瓶颈模块负责把冗长音画序列压缩为少量身份令牌，可学习身份查询是压缩的提问器：查询作为 Query 去交叉注意力读取音画特征的 Key 与 Value，只保留与说话人稳定相关的音色与面貌对应，丢弃口语内容、表情与头姿等瞬态因素，二者搭配把变长输入变成定长、可比的身份代表。

从计算角度看，瓶颈把变长序列压缩为少量令牌，降低了后续匹配与联合建模的序列长度。消融中改变查询数量与 AV-Transformer 交叉注意力层数会影响精度与计算代价的权衡，论文选择在身份瓶颈层数为 2 的条件下比较 4 查询 1 层、4 查询 2 层与 6 查询 2 层的配置，报告增加层数与查询数能提升指标但增加开销。复现时应固定瓶颈层数再调查询数，否则无法归因收益来源。

对照如何做：匹配层怎样放大细微身份差异

压缩得到各自的生物签名后，匹配层负责跨样本对齐以检测不匹配。它由 M 个堆叠的交叉注意力块组成，目标令牌做查询，参考令牌做键与值，生成参考感知的目标令牌。这一步不仅保留目标自身身份特征，还写入与参考的相似与差异，使细微不一致在最终表示中被放大。论文为该模块设计辅助身份验证任务：对参考感知令牌做平均池化得到全局身份特征，再经多层感知机头预测同一人得分，用二元交叉熵监督。这种监督迫使匹配层优先保留身份相关线索，而不只是服务最终真伪分类。

身份匹配模块 × 参考感知身份令牌： 身份匹配模块负责以参考校准目标，参考感知身份令牌是其输出：模块以目标身份令牌做 Query、以参考身份令牌做 Key 与 Value 做多层交叉注意力，让目标表示既保留自身特征又写入与参考的相似与差异，搭配理由是单样本压缩仍可能混入伪造痕迹，只有经过参考视角重对齐才能放大细粒度身份不一致。

需要区分原始目标与近似处理：同一人标签把任何伪造都视为不同身份，这是一种建模选择而非生物学事实，它假设伪造无法完美复制跨模态身份。该假设在训练中是显式监督，在推理中则体现为参考感知令牌的偏移。论文未给出匹配层梯度是否回传到编码器或瓶颈的冻结说明，复现时应明确编码器是否冻结、瓶颈与匹配是否联合更新，不做推定。若编码器基于 Synchformer 预训练后微调，其更新范围会直接影响身份先验的来源。

训练如何组织：特征提取、序列构造与双损失优化

训练过程按原文可分为特征提取、序列构造与联合优化 3 步。特征提取使用在 LRS3 上预训练的 Synchformer 作为音画编码器起点，视频以 25 帧每秒采样，音频以 16 千赫采样并转为 128 通道梅尔谱，窗长 25 毫秒、帧移 10 毫秒，每个视频取 8 个重叠片段，每段 0.64 秒对应 16 帧。序列构造把视频与音频的分段令牌拼接为联合表示，目标与参考各一条，并加入可学习模态分隔符以促进跨模态交互。优化器用 Adam，初始学习率 1e-5，经带线性预热的余弦退火衰减到 1e-6，并用加权采样处理类别不平衡。

深度伪造分类损失 × 身份匹配损失： 深度伪造分类损失监督最终真伪判定，身份匹配损失监督参考感知令牌经平均池化后是否判为同一人，前者学通用篡改痕迹，后者强迫匹配层学跨模态身份判别能力，搭配原因是仅有真伪标签易让模型过拟合低层合成伪影，辅助的同一人二分类提供了与篡改类型无关的优化方向。

总损失是深度伪造分类损失与身份匹配损失之和，二者均为交叉熵或二元交叉熵。论文明确报告了学习率、调度与采样策略，但未报告批量大小、训练轮数、权重衰减与编码器冻结范围，这些是复现的关键缺项。另一个需保留的细节是参考采样：训练与评估都从同身份真实视频采样参考，且训练与评估的参考池严格不重叠。推理时目标分窗、参考取 3 秒单段并与所有目标窗口配对，窗口 softmax 平均得到视频级预测。改变参考长度或窗口重叠都会改变评估条件，后文鲁棒性表专门检验了这一点。

实验条件是什么：在哪训练、在哪测、用什么比

数据与协议是判断泛化的前提。训练集是 FakeAVCeleb，含视觉篡改与音频篡改，视觉用 FaceSwap、FSGAN 与 Wav2Lip，音频用 SV2TTS，数据集提供仅视觉、仅音频与双模态篡改，并从 VoxCeleb2 中为 500 个身份找来 37,000 条真实视频做参考。划分上 FakeAVCeleb 按 70% 训练、30% 测试。跨库评估用 FaceForensics++ 的官方测试集，含 5 种从换脸到表情操纵的方法，只测能可靠提取音轨的视频；跨语言评估用韩语 KoDF，随机抽 100 条真实与 100 条音频驱动伪造，排除 FakeAVCeleb 已用过的篡改技术。

指标用准确率、平均精度与 ROC 曲线下面积，论文明确因 FakeAVCeleb 中 500 条真实对 21066 条伪造的极端不平衡而优先看阈值无关的 AUC 与 AP。比较时需核对模态、是否用参考与训练集是否一致，例如部分基线用 VoxCeleb2 超 1000000 条语音训练身份编码器，而 Referee 只用 14,000 条真实片段，这种数据规模差异是解读结果时不可省略的条件。

资源状态是正文开源声明的唯一依据：论文称代码在指定仓库可用，但本次收到的资源状态只覆盖两个第三方链接，RESOURCE_1 与 RESOURCE_2 当前可用且状态为 200，分别指向 Flux 与 faceswap 仓库。论文主仓库的可达性在本次证据中未给出可用性声明，因此不能写已公开可运行，只能写原文声称提供代码，具体可达性待验证。

主结果回答什么：同库、跨库与跨语言的三组对照

实验按 3 个问题组织：同库能否利用双模态与身份先验超越单模态，跨库能否泛化到未见篡改，跨语言能否保持判别力。比较的公平条件是训练集与模态在表中明示，指标方向是 AUC 与 AP 越高越好，准确率受阈值与不平衡影响仅作参考。下表整理同库 FakeAVCeleb 的对照，表前问题是去掉身份与音画联合后单视觉强基线是否足够，表后解释收益与代价。

上表显示在同库条件下 Referee 在准确率与曲线下面积上超过单视觉最强基线，论文报告的增益为准确率 9.3 个百分点、曲线下面积 5.1 个百分点，支持音画联合与身份一致性建模能捕捉单视觉遗漏的细微差异。但同库高分不能推广到跨库，阈值无关指标仍需看跨库表，且未胜出项需要保留：同库中 CAD、FoVB 等融合方法同样接近 99 以上，Referee 的优势在该区间是小数点级别，代价是需要额外参考与双头推理。

下表整理跨库与跨语言，表前问题是训练在 FakeAVCeleb 时能否在 FaceForensics++ 与韩语 KoDF 上保持阈值无关性能，公平条件是训练集均为 FakeAVCeleb、参考条件在表中明示。

跨库 FaceForensics++ 上 Referee 取得 91.00 的平均精度为最高，但曲线下面积 79.78 低于 ID-Reveal 的 81.28，这是一个必须保留的未胜出项，说明在该分布下参考引导的身份方法并未在两个阈值无关指标上同时占优。跨语言 KoDF 上 Referee 取得 99.4 与 99.4，论文正文精确报告为 99.41% AUC 与 99.47% AP，超过此前方法，而已有参考模型在跨语言下降明显。论文用 14,000 条真实片段达到该结果，对比部分基线用超 1000000 条 VoxCeleb2 训练身份编码器，支持数据高效的判断，但该判断仅在给定编码器预训练起点下成立，不能推广为身份先验不需要大规模数据的一般结论。

拿掉哪部分会变差：查询、损失与层数的受控比较

消融要回答结构与监督各自的贡献。论文在 FakeAVCeleb 上做两组对照：去掉参考身份查询与去掉身份匹配损失。报告显示去掉参考身份查询导致明显下降，去掉身份损失导致轻微下降，支持结构设计与身份感知监督对最优性能都必要。但原文未给出这两组对照的完整数值表与方差，复现时应补上多次随机种子的均值与标准差，否则无法判断轻微下降是否显著。

另一组是查询数与 AV-Transformer 交叉注意力层数的权衡，在瓶颈层数固定为 2 时比较不同配置，增加层数与查询数能提升所有指标，但计算代价上升，论文称所选配置在精度与效率间取得平衡。该结论是有限解释，因为成本未用量化延迟或显存报告，只用层数与查询数代理。

鲁棒性分析进一步检验空间与时间扰动，表前问题是模型是否依赖特定面部区域或过长参考，指标方向仍是越高越好。下表整理论文报告的裁剪与参考长度结果。

表后解释是性能在 70% 与 90% 空间裁剪下保持稳定，表明模型不依赖特定面部区域；仅用 1 秒参考仍达 99.71% 曲线下面积，支持在实际部署中对参考长度的鲁棒性。但限制是这些扰动仍在 FakeAVCeleb 同分布内，未评测跨库下的裁剪与短参考，也未测量误判率随裁剪位置的变化，因此不能把鲁棒性推广到所有遮挡类型。复现时应固定裁剪比例的实现与随机种子，并记录参考采样位置，否则平均值不可比。

边界在哪里：参考依赖、指标冲突与未测量项

论文直接报告的限制包括对同身份真实参考的依赖：若无可用参考或参考本身质量差，匹配模块失去锚点，方法退化为无参考的音画分类器，而该退化点的定量结果未在证据中给出，这是复现时需补的验证。另一个边界是跨库 FaceForensics++ 上曲线下面积未同时最优，平均精度最高与曲线下面积次优并存，说明不同阈值无关指标对排序敏感，不能只看单一指标宣布泛化解决。未验证的推测包括对快速进步的生成模型的天然韧性，论文用未见篡改与跨语言结果支持该说法，但证据仅覆盖表中所列的几种方法与韩语一种语言，不能推广到所有未来生成器。

缺失证据不是技术错误，但需要明确：原文未报告训练资源、推理开销、输出帧率与实际延迟，总体趋势不等于每步都成立；未测量不同性别、年龄与口音下的误判率差异，不承诺公平性改善；未报告参考为伪造或身份标注错误时的失败条件，这在实际部署中是关键风险。相关性也不等于因果：参考感知令牌与真伪的相关性支持身份线索有用，但不能证明模型真正学到生物特征而非数据集特有的录制条件差异，需用跨录制设备的对照来进一步验证。

复现先做什么：按原文条件重建数据与评估管线

复现的第一步是重建数据管线而非调模型。按原文交代准备 FakeAVCeleb 的 70% 训练与 30% 测试，从 VoxCeleb2 为 500 个身份收集 37,000 条真实视频做参考池，并保证训练与评估的参考池不重叠。特征侧固定视频 25 帧每秒、音频 16 千赫、128 通道梅尔谱、25 毫秒窗与 10 毫秒跳、每视频 8 个 0.64 秒重叠段。编码器用在 LRS3 预训练的 Synchformer 初始化，优化用 Adam 从 1e-5 经余弦退火到 1e-6 并加权采样。评估侧固定目标 2.88 秒窗口加 5% 重叠、参考单段 3 秒、窗口 softmax 平均，并优先报告 AUC 与 AP。

第二步是核对双头标签：真伪头用真伪标签，身份头用同一人标签且伪造一律视为不同身份，总损失为二者之和。若要验证身份监督的作用，应在同一随机种子下比较保留与去掉身份损失的版本，并记录查询数、瓶颈层数与匹配层数。第 3 步是补论文未报告的缺项：批量大小、训练轮数、冻结范围、硬件与耗时，以及参考长度从 3 秒降到 1 秒、空间裁剪 70% 与 90% 时的实现细节。只有这些条件对齐，跨库与跨语言的数字才可比。

何时值得尝试：方法选择与后续验证清单

当任务能提供同一人的少量真实参考，且测试分布可能包含未见篡改或另一语言时，Referee 的参考引导路线值得尝试，因为它把判定锚定在跨模态一致性而非低层伪影上，并在 KoDF 跨语言与 FaceForensics++ 跨库上报告了有竞争力的阈值无关性能。当没有可靠参考、参考与目标录制条件差异极大或对单帧延迟有硬约束时，应谨慎采用，因为参考缺失时的退化程度与推理成本在原文中未量化。

后续验证至少包括三项：在跨库下重复短参考与重度裁剪的鲁棒性，测量参考错误或污染时的误判率，以及报告多次运行的均值方差与训练推理开销。术语使用上，后文统一称身份瓶颈模块为瓶颈、身份匹配模块为匹配、参考感知身份令牌为校准后令牌，以减少歧义。总体判断是论文展示了一种数据高效的参考到目标跨模态建模方向，可能的研究增量在更严格的跨设备与跨语言对照中确认其学到的是身份而非录制条件，相关推测在补足上述验证前应表述为待验证。

⚖️ 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