台语紧急意图为何难做：用戏剧字幕挖数据，再回到老人真实现场检验

英文题目：TaigiSpeech: A Low-Resource Real-World Speech Intent Dataset with Scalable Data Mining In-the-Wild

会议身份：conference:interspeech:2026:conference-paper-id:chang26d_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：#数据集 #数据集构建 #低资源 #语音 #口语意图与槽位识别

评分：7.3/10 | 创新 1.3/2 | 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 0.9/1.5 | 开源 1.2/1.5 | 可复现 0.1/0.5 | 工程/实践 1.0/1.5

排名：前50% | 文档类型：数据集与基准

👥 作者与机构

• Kai-Wei Chang：机构信息未能从会议 PDF 纯文本可靠映射
• Yi-Cheng Lin：机构信息未能从会议 PDF 纯文本可靠映射
• Huang-Cheng Chou：机构信息未能从会议 PDF 纯文本可靠映射
• Wenze Ren：机构信息未能从会议 PDF 纯文本可靠映射
• Yu-Han Huang：机构信息未能从会议 PDF 纯文本可靠映射
• Yun-Shao Tsai：机构信息未能从会议 PDF 纯文本可靠映射
• Chien-Cheng Chen：机构信息未能从会议 PDF 纯文本可靠映射
• Yu Tsao：机构信息未能从会议 PDF 纯文本可靠映射
• Yuan-Fu Liao：机构信息未能从会议 PDF 纯文本可靠映射
• Shrikanth Narayanan：机构信息未能从会议 PDF 纯文本可靠映射
• James Glass：机构信息未能从会议 PDF 纯文本可靠映射
• Hung-yi Lee：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

本文任务是以台语语音为输入预测8类家居与急救意图，难点在于台语缺少统一书写、高龄自发语音变异大且可靠自动语音识别缺失。方法链先用网页录制应用在安静房间采集情景诱发语料，再以华语字幕为枢轴做关键词匹配与大语言模型伪标注过滤得到训练段，最后用音视频编码器以英文意图描述检索无文本视频片段作为弱监督补充。与已有朗读或电视剧台语语料相比，该设计以情景与可选生成式视频刺激诱发重复、片段化与紧急发声，更贴近真实求助。仅用野外挖掘数据直接迁移至真实高龄语音时性能严重退化并接近随机，证实了戏剧语音与真实求助之间存在显著域失配。在Taigi-adapt 8分类任务下，WavLM-base-plus的准确率为90.21%，高于HuBERT-base的准确率90.10%。结论仅适用于安静室内高龄台湾腔急救家居场景，对噪声、年轻口音与全球闽南变体尚未验证。原文未披露训练、推理或部署成本。

🔗 开源与复现资源

• 数据相关资源：https://kwchang.org/taigispeech → https://kwchang.org/taigispeech/ — 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？为何专挑老年台语紧急求助？

本文输入是论文原文与 4 张官方原图像素，目标是为刚入门的研究生复述可核对的方法与实验条件。必须保留的关键信息是数据集规模与构成、两条挖掘管线的监督来源、测试划分与指标方向，以及资源可用状态。资源状态显示数据集链接当前可用，论文声明以 CC BY 4.0 发布，项目页为作者站点，解读中涉及公开性的判断以此为准。

任务是口语意图识别，也就是听一段语音后判断用户想触发什么功能，例如呼救、报告跌倒或开灯。白话说，模型要把声音直接分成 8 个预设动作。英文名是 spoken intent recognition，后文简称意图识别。难点不在分类器本身，而在台语是低资源且主要靠口头流传的语言。白话说，没有统一通用的书写，标注语料难攒，可靠的自动语音识别也常常缺失。英文名是 low-resource language，后文简称低资源语言。

老年居家场景把难度进一步放大。论文引用 2020 年人口普查说明代际反转：6 岁以上居民中普通话主导，台语约 30%，而 65 岁以上老人中台语成为主导。独居老人跌倒后长时间无法求助的长躺风险，以及胸痛呼吸困难等急症，都要求免提语音能用。下面的图先建立这个人口学动机，再进入技术路线。

看图路径： 1. 先对比左侧 6 岁以上与右侧 65 岁以上两组柱子的主语言构成；2. 再读出柱顶标注的人数与百分比，确认老年组台语占优；3. 最后把该年龄反转与居家紧急求助的动手难问题联系起来

论文图 1。原论文 Figure 1：“Primary language use among residents in Taiwan.”。

上图用两组柱子对比了全年龄与老年组的母语使用，右侧老年组粉色台语柱明显高于蓝色普通话柱，标注为 2.4M 与 64.9%。这支持论文选择老年台语说话人的理由：通用助手数据多来自年轻人或高资源语言，直接搬过来会漏掉最需要帮助的人群。同时图注明确数据来源为台湾主计总处普查，不是模型估计值。理解这一点后，才能明白为何论文宁可小规模实录老人，也不只用戏剧语音凑数。

已有路线解决了什么，还缺哪块？

口语理解的经典路线有 3 段。早期 ATIS 做限定域查询理解，Speech Commands 做 30 个关键词的小词表识别，Fluent Speech Commands 和 SLURP 则走向多意图的居家助手。建模上先是级联管线，英文名是 cascade pipeline，后文简称级联：先转写再做文本理解。高资源下好用，但转写错了意图多半也错。后来出现端到端方法，英文名是 end-to-end SLU，后文简称端到端：直接从语音预测意图。近年自监督语音模型如 HuBERT 和 WavLM 提供了可微调的表示，在英语上很强，但老人、急症和无文字语言的真实基准仍然稀缺。

级联管线 × 端到端意图识别： 级联管线分工是先由自动语音识别转写再做文本意图理解，依赖高资源语言的转写质量；端到端意图识别分工是直接从语音信号映射到意图标签，省去中间文本。两者搭配的理由是级联在有可靠识别器时可复用大语言模型，而端到端在无书写、低资源时更少受转写错误拖累，组合意义在于本文同时用两者做基线，检验台语这种识别不可靠时哪条路线更实用。

应急与居家语料是第二条线。法国 HIS 与 distress call 子集在智能家居实验室录日常与 20 句求救，SWEET-HOME 同时覆盖命令与紧急，意大利 ITAAL 结合语音命令与紧急检测，加拿大 CARES 专为个人紧急响应做含老年与气促疼痛模拟的对话。论文的表 2 把这些语料按语言、人数、年龄和是否覆盖居家与紧急并列，结论是多为法语英语，少有针对老人，更没有台语。教学例子：这好比已有英语急诊电话语料，但不能直接拿来认台语老人的跌倒呼喊，口音和用词都不同。

台语语音语料是第三条线。SuiSiann、TAT、CommonVoice 多为录音室朗读，ML-SUPERB 与 TG-ASR 来自电视戏剧的脚本对白，目标多为合成或识别。它们有背景音乐与后期混音，缺少急症所需的自然表达。论文因此定位 TaigiSpeech 为首个专为意图识别设计的台语老年数据集，补的是真实意图加老龄加低资源这一交叉缺口。

要回答的具体问题与输出形态是什么？

论文要回答两个可检验的问题。第一，能否为老年台语构建一个真实可用的 8 类意图基准，覆盖 4 个紧急与 4 个功能命令。第二，在没有大规模标注时，能否从约 7000 小时的台语戏剧视频中挖出可训练的替代数据，以及这种替代数据与真实老人录音差距多大。输出形态是每条语音对应一个意图标签，评测用准确率，英文名是 accuracy，后文简称准确率。测试集平衡时准确率与宏平均 F1 接近，方向都是越高越好。

8 个意图的划分来自老年照护优先级。紧急类为求救、呼吸困难、跌倒求助和泛疼痛，功能类为联系人、开灯、关灯和取消警报。这种 4 比 4 的设计刻意让系统必须区分危急呼喊与日常命令，避免把开灯误报成警报或漏报跌倒。输入是单声道 48 kHz 录音，平均每条约 7 秒，不是孤立关键词，而是含停顿重复的连续表达。

学习依赖上，读者需先接受两个前提。其一，台语缺乏统一书写，华语字幕可作中间语言，英文名是 pivot language。其二，戏剧对白情绪丰富但说话人多为演员，与老人声学特性不同，直接迁移必然有域差异。论文把验证重点放在量化这个差异，而不是宣称挖掘数据可完全替代实录。

两条挖掘管线如何分工？

方法全景是两条并行的野外数据挖掘管线，共用同一个戏剧视频池，但监督来源不同。左路是关键词匹配挖掘，英文名是 Keyword Match Mining，后文简称关键词路：依赖华语字幕与大模型复核，属于较强监督。右路是视听挖掘，英文名是 Audio-Visual Mining，后文简称视听路：依赖预训练多模态表示与英文意图描述，属于弱文本监督。两路都输出语音片段与伪标签，用于训练意图分类器，再到真实 TaigiSpeech 上检验。

关键词匹配挖掘 × 大语言模型伪标注： 关键词匹配挖掘分工是用华语关键词从戏剧字幕中高召回地捞出候选句，解决台语无标准书写难以直接检索的问题；大语言模型伪标注分工是结合前后各五句上下文判断是否真属目标意图，过滤字面命中但语义无关的例子。搭配理由是前者便宜但噪声大，后者贵但能做语义复核，组合后形成可扩展的强监督挖掘管线。

下图是理解全篇的关键，左侧展示关键词命中后被大模型判对错的例子，右侧展示相似度算分后重排选片的过程。阅读时不要把两路混为一条：左路看懂字幕才选片，右路看懂画面与声音才选片。

看图路径： 1. 先沿左侧关键词匹配箭头看视频片段到字幕再到伪标签的主路径；2. 再看右侧视听检索如何从意图描述算多模态相似度并重排；3. 对比左右两路对文本的依赖强弱与输出都是语音片段

论文图 3。原论文 Figure 5：“Overview of the explored data mining methods. Left: Keyword Match Data Mining. Right: Audio-Visual Data Mining.”。

从像素看，左路顶部列出各意图的预设华语词，如救命、救护车对应求救，跌倒、爬不起来对应跌倒，开灯相关对应开灯，打电话给儿子对应联系人。中间示例显示你是我的救命恩人虽含救命但被打叉，有人吗我跌倒了被打勾，说明字面命中不等于语义命中。右路顶部是英文意图描述，分为紧急与非紧急，中间是多模态相似度柱状，箭头指向重排后选出的语音片段。两路的共同点是都不要求台语转写，区别是左路仍需华语字幕，右路连字幕也不用。

视听路的表示与打分具体怎么算？

视听路的组件可沿一个样本走完。输入是一个未标注视频片段，记为视频加音频同步的 2 流。意图侧是高资源语言写的一组描述，例如一个人正在紧急呼救。两个编码器分别把视频片段与文本描述映射到同一维度向量空间，再算余弦相似度。白话说，就是看这段又吵又急的画面声音与哪句描述更贴近。英文名是 cross-modal encoder，后文简称跨模态编码器。

视听挖掘 × 跨模态检索编码器： 视听挖掘分工是不依赖配对文本，直接用声音中的副语言信息和画面语义去发现紧急片段；跨模态检索编码器分工是把音频加视频片段与高资源语言写的意图描述映射到同一向量空间算余弦相似。搭配理由是编码器提供了与语言无关的相似度量，使视听挖掘能在无转写时做弱监督跨语言检索，组合意义是为无文字语言提供另一条数据来源。

论文用的编码器是 PE-AV large，主要在英文视频文本上训练，没有在台语上训练。实现细节是先用关键词粗筛出约 28,000 个含语音的混合片段以省算力，再对每个片段算分。初步研究发现细粒度 4 种急症难以分开，于是把 4 个紧急意图的相似度加总，按总分取前 2000 为紧急、后 2000 为非紧急，做成二分类训练集。作者明确这是小规模探索，全面 7000 小时的大规模实验留待未来工作，不把当前结果当作最终上限。

关键词路的组件同样走一个样本。先由懂台语华语的母语者每意图至少写 10 个关键词，再扩同义词与口语变体，另加约 100 个日常词收集其他类。检索时命中任一关键词即取出该字幕句，再前后各扩五句形成上下文窗口，交给 Gemini-3 判断是否真属该意图。若判正，则截取对应音频。这样做的安排理由是戏剧字幕多为华语翻译，可作桥梁，而上下文能去掉你是我的救命恩人这类比喻用法。

真实数据如何录制、质检与划分？

本节承担数据集构造职责，论文没有训练新的基础模型，训练指的是挖掘数据的构造与基线分类器的训练。录制工具是网页应用，支持手机电脑平板与内外麦，含注册、录音、回放与提交。注册收集年龄性别教育母语台语流利度与家乡，家乡用于记录口音多样性。参与者可选 30 至 120 分钟对应每意图 5 至 20 条，以减轻疲劳。每次录音前有 1 秒静音测环境噪声能量均值并记为元数据，用于后续过滤。

情景诱发录制 × 自然表达： 情景诱发录制分工是用 20 个想象情景加可选静音视频把老人带入跌倒、胸闷等处境；自然表达分工是允许老人不照稿自由发挥，保留重复、片段句和急促呼喊。搭配理由是固定朗读会丢失紧急语音的真实韵律，而完全自发又难以覆盖 8 类意图，组合后得到既覆盖标签又保留真实表达的数据。

情景设计是每意图 20 个想象提示，共 160 个完整会话提示。提示用 Gemini Pro 2.5 生成，视频用 Veo 3 生成 10 秒静音刺激，但明确看视频可选、不必照做。例子：跌倒提示是在浴室滑倒爬不起来，老人可用自己的话喊哎哟跌倒了爬不起来。界面如下图所示，从上到下依次是进度、情景视频、华语参考句与台语录制按钮。

看图路径： 1. 从上到下看进度条、情景视频、华语参考句与台语录制按钮的顺序；2. 注意中间红色情景标题与下方绿色录制按钮的功能分区；3. 确认界面同时支持鼠标触屏键盘以照顾老人操作

论文图 2。原论文 Figure 2：“Recording app interface. The English translations are shown for illustrative purposes in this paper.”。

从像素看，手机框顶部显示本次进度 1 比 8 句，中间是老人在浴室倒地的剧照，下方米色卡片写在浴室滑倒并给华语参考句，底部绿色按钮为录制台语，另有上下句切换。这种把参考句与自由发挥分开的设计，既保证覆盖意图，又保留真实急促表达。所有录制均在研究员在场指导下完成，并经伦理审查。

最终得到 21 人 3079 条约 6.1 小时，男 8 女 13，年龄 54 至 78 岁均值 67.9 岁，人均 146.6 条。测试集取 6 人共 960 条，男女各 3 人，每人 160 条，保持性别年龄均衡。适配训练用另 10 人共 1600 条，验证用 5 人 119 条。下面的表先回答数据是否均衡、时长是否足够支撑 8 分类。

上表显示各意图条数基本平衡在 384 至 387 条，总时长 366.91 秒折约 6.1 小时，平均 7.15 秒。代价是总量仍小，且老年发音与情绪波动大，标准差在 2 至 5 秒之间，联系人类波动最大。这意味着 8 分类的偶然性不低，后文用自助法给置信区间是必要的。未评测边界是口音地域覆盖与噪声分层效果，论文只记录噪声与家乡，未按此分层报告。

挖掘数据长什么样？基线与评测条件是什么？

要公平比较挖掘价值，需先看挖到了多少、基线是谁、测试条件是否一致。关键词路的伪标注统计显示稀疏性差异大，求救与疼痛较易命中，跌倒呼吸与开灯关灯取消较稀少，日常其他类另收 7987 条。视听路则只做粗 2 类，前 2000 为紧急后 2000 为非紧急。下面的表提出的问题是强监督路是否在各意图上都挖得动。

上表的主要收益是证明关键词加伪标注能过滤大量字面误命中，例如跌倒候选中仅 165 判真，说明上下文复核不可省。具体代价是某些意图在 7000 小时戏剧中依然稀疏，开灯关灯候选仅百余条，揭示只靠野外挖掘难以建出台语居家系统，这正是需要实录基准的原因。反例是伪标签以大模型判断为真，戏剧测试的真值本身即伪标签，只能测与模型的一致性，不能当作人工金标。

基线覆盖轻量与自监督两端。轻量为 MatchboxNet 小中大三档，参数仅 69k 至 119k，面向边缘部署。自监督为 HuBERT 大小与 WavLM 系列，参数 94M 至 315M。另有 Whisper 与 Qwen3-ASR 加 Qwen3-8B 的级联对照，不做微调。训练时只换训练数据，测试数据相同。

关键词路做 5 分类，4 紧急加非紧急，视听路做 2 分类，紧急对非紧急。适配阶段再用 1600 条做 8 分类微调。置信区间用自助法计算。

跨域掉多少？适配后谁最好？

主结果按问题组织：先测直接迁移，再测小量适配。直接迁移时所有模型在戏剧测试上高，到真实老人测试上大跌。教学例子：好比在演员排练厅考 90 分，到老人客厅只剩 70 分。视听二分类更差，多在 52% 至 55% 附近，接近随机，说明粗 2 类下模型可能学到浅层模式而非语义。

域失配 × 域内适配： 域失配分工是描述戏剧语音与老年真实录音在年龄、口音、情绪和信道上的系统性差异；域内适配分工是用 10 位说话人共 1600 条台语真实数据对挖掘预训练模型继续微调。搭配理由是只有先量化失配造成的下降，才能说明适配数据的价值，组合意义在于论文用同一测试集对比直接迁移与适配后，证明真实基准不可替代。

适配后性能大幅回升，关键词预训练加适配的 HuBERT-Base 达 90.10%，WavLM-Base-plus 达 90.21%，均高于只用 1600 条从零训练的 84% 至 88%。这支持挖掘预训练有迁移价值，但也限定了条件：必须有少量域内标注。下面的表保留可运行策略的实际数字，不拿事后最优代替部署收益。

上表显示最强可部署策略是 WavLM-Base-plus 经关键词预训练再适配，达 90.21%，代价是 94M 参数仍难放边缘。未胜出项是轻量模型，适配后反而更差，28% 上下，说明小容量在 8 类真实任务上欠拟合。大模型也非越大越好，WavLM-Large 适配后仅 83.96%，低于 Base。级联中最好的 Qwen3-ASR1.7B 加 8B 为 74.48%，虽无需微调但参数超 10 亿且仍落后端到端约 15 个百分点。百分点与相对百分比不同，此处均为百分点比较。

看图路径： 1. 先看四个子图标题的模型名与准确率，区分 Base 与 Large；2. 再沿对角线读召回率，找出开灯与关灯互混最重的格子；3. 对比左上与右下，确认小模型适配后反而更稳

论文图 4。原论文 Figure 6：“Confusion matrix of SSL speech models under the Taigi-adapt setting in the Keyword Match Mining scenario.”。

上图 4 个混淆矩阵显示适配后 Base 模型对角线深色集中，准确率约 90%，Large 约 84%。可执行观察是开灯与关灯互混最重，例如 WavLM-Base-plus 中开灯被判关灯 10 次，关灯被判开灯 8 次，因台语只差一字；紧急 4 类间也有交叉，呼吸与求救、跌倒互混，反映相似的急促声学与重叠词汇。像素不能精确辨别的格子不硬读具体步数，结论以对角优势与这两处混淆为准。

拿掉哪块会怎样？失败条件是什么？

论文的反证不是标准消融，而是 3 组对照。第一组是训练数据来源：只用 1600 条从零训练对比挖掘预训练加适配。结果显示预训练加适配高约 2 至 5 个百分点，支持野外数据有补充作用，但未报告只用挖掘不适配在 8 类上的分数，不能推定挖掘可独立支撑 8 分类。第二组是模型容量：轻量对自监督。轻量在戏剧二分类可达 70% 以上，到真实 8 类适配后崩塌，说明容量与任务复杂度不匹配是失败条件之一。

第 3 组是级联对端到端。Whisper-base 加 8B 仅 15.00%，small 仅 15.83%，medium 升至 42.92%，large-v3 反而 34.38%，Qwen3-ASR0.6B 为 63.65%，1.7B 为 74.48%。这显示基础转写质量决定级联上限，且增大不单调。论文未微调级联中的识别与语言模型，缺项明确，未来工作才做微调，因此不能把当前级联落后当作级联路线必然不行。

视听路的失败更值得复述。检索样本与关键词伪标签一致性高，在戏剧上可达 70% 至 80%，但转到老人二分类即近随机。作者假设是二分类简化下模型依赖浅层模式，加之戏剧与老人域差大。待验证的是换多类目标、微调编码器或扩大到全量 7000 小时后能否改善，原文未测，不做因果断言。

哪些结论还不能下？边界在哪里？

首先，戏剧测试的真值是伪标签，只能说明与大模型判断一致，不能等同人工准确率。把戏剧高分当作真实能力是误解，需回到 960 条老人平衡测试看效果。其次，总体趋势不等于每组都成立，例如大模型在适配后反而不如 Base，轻量在不同挖掘路下排名也不同，不能用平均一句带过。

其次，未测量项很多。论文未报告误报漏报的代价权重、延迟、功耗与边缘推理开销，也未测噪声分层与口音分层。紧急场景中漏报跌倒与误报开灯的代价完全不同，但当前只用准确率，方向越高越好，尚未做代价敏感评估。训练资源只提及国网中心与国科会支持，未给具体 GPU 小时，复现时需自行估算。

最后，数据边界是 21 人、6.1 小时、安静房间为主，虽记噪声但未按噪分层。年龄 54 至 78 岁，未覆盖更年轻台语使用者与海外闽南话。作者计划扩展到更广人群，但当前结论限于台湾老年居家 8 意图。相关性不是因果，年龄与台语主导相关，不能推出年龄导致识别难，声学老化与口音需分别验证。

要复现先做什么？需要哪些超参与信息条件？

复现第一步是拿数据与划分。数据集当前可用，链接为作者站点，许可 CC BY 4.0。按论文划分重建测试集 6 人 960 条每人 160 条，适配训练 10 人 1600 条，验证 5 人 119 条，注意说话人独立，不能按条随机分，否则会高估。音频为单声道 48 kHz，平均 7.15 秒，输入前确认采样率与切分一致。

第二步是重建挖掘管线。关键词路需每意图至少 10 个华语关键词加约 100 日常词，命中后前后各取五句组上下文，用大模型判真假，原文用 Gemini-3，复现时需记录模型版本与提示，否则伪标签不可比。视听路需 PE-AV large 算余弦相似，四紧急加总取前 2000 与后 2000，池子是关键词粗筛后的 2.8 万片段，不是全量 7000 小时，直接用全量会因算力与无语音片段而对不上。

第三步是训练与评估。基线含 MatchboxNet 三档与 HuBERT、WavLM 多版本，关键词路做 5 类，视听路做 2 类，适配后做 8 类。评估用准确率并用自助法给区间，测试平衡时可顺带看宏 F1。级联对照用 Whisper 或 Qwen3-ASR 转写加 Qwen3-8B 判意图，不微调。区分代码开源、权重下载与系统可运行：论文只承诺数据发布，未承诺挖掘代码与训练脚本，复现时把缺的脚本与提示词当作待补项记录。

何时值得尝试这套方法？

当目标是无标准书写、老人为主的居家紧急语音，且能拿到带华语字幕的戏剧或视频时，关键词加伪标注值得先试。它用华语作桥梁，成本低于全人工标注，且本文显示它比纯视听更利适配。当完全没有字幕或语言无对应高资源翻译时，可试视听弱监督，但要预期细粒度紧急类难分，先做粗 2 类验证再扩到多类。

当只有野外数据而无任何域内老人录音时，不应部署。本文最强反证是直接迁移掉 20 个百分点以上，视听二分类近随机。至少要留出 10 人量级的域内适配集，并做说话人独立测试。若部署在边缘且有隐私约束，轻量模型当前差距大，需另做压缩或蒸馏，不能直接用 94M 模型的分数承诺边缘效果。

回到中心矛盾：可扩展性与真实性不可兼得。戏剧挖掘解决规模，老人实录解决可信。本文的价值在于把两者放在同一评测下量化差距，并给出可复述的录制与挖掘步骤。下一步待验证的是更大规模挖掘、编码器微调、代价敏感指标与轻量高效架构，初学者可从复现 8 分类适配与开灯关灯混淆分析入手。

⚖️ 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