英文题目：YODAS v3: Over 1 Million Hours of High-Bandwidth, Stereophonic, Multilingual Speech
会议身份：
conference:interspeech:2026:conference-paper-id:chen26d_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。
标签：#数据集 #数据集构建 #多通道 #多语言 #语音识别
评分：7.3/10 | 创新 1.5/2 | 技术严谨 1.2/1.5 | 实验充分 1.0/1.5 | 清晰度 0.8/1 | 影响力 1.3/1.5 | 开源 0.0/1.5 | 可复现 0.3/0.5 | 工程/实践 1.2/1.5
排名：前50% | 文档类型：数据集与基准
👥 作者与机构
- William Chen：机构信息未能从会议 PDF 纯文本可靠映射
- Shinnosuke Takamichi：机构信息未能从会议 PDF 纯文本可靠映射
- Sayaka Shiota：机构信息未能从会议 PDF 纯文本可靠映射
- Satoru Fukayama：机构信息未能从会议 PDF 纯文本可靠映射
- Samuele Cornell：机构信息未能从会议 PDF 纯文本可靠映射
- Shinji Watanabe：机构信息未能从会议 PDF 纯文本可靠映射
📌 核心摘要
该工作处理开放语音语料规模不足与低保真问题，输入为 YouTube 知识共享 (Creative Commons) 视频，输出为 48 kHz 多声道 Opus 音频及带话语级时间戳的原始语言转写与英语翻译，难点在于低资源语言召回不足与标称采样率虚高。首先按语言独立构建维基关键词表并经单轮子词 (unigram) 似然过滤以提升检索相关性，接着限定知识共享许可并偏置新上传视频进行二次检索去重，最后以最高可用质量下载多声道音频与人工或自动字幕形成弱监督。与以往统一多语言关键词表加 16 kHz 或 24 kHz 单声道分发相比，该链路保留原始频带与声道结构并纠正高资源语言偏置，具有可验证的均衡效果。支撑结论的定量结果为在自建 YODAS v3 子集上 48 kHz 描述符分离编解码器 (Descript Audio Codec, DAC) 重建短时客观可懂度 (Short-Time Objective Intelligibility, STOI) 达 0.94，说话人相似度达 0.90，优于同测试集上 LibriTTS 24 kHz 基线的 0.80 和 0.78。该结论仅适用于网络采集的弱标注通用音频，未验证录音棚级对齐质量与极低资源语言转写可靠性。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，目标是什么，初学者先记住哪组数字？
这篇论文的输入是公开视频网站上以知识共享许可发布的视频及其字幕，目标是建成一个可供识别与高保真音频研究直接使用的大规模多语料。初学者先记住 3 组必须保留的数字。第一是规模与格式，总量超过 1,100,000 小时，147 种语言，以 48 kHz 多声道 OPUS 原格式保存，许可为 CC BY 3.0。第二是均衡程度，22 种语言各自超过 10,000 小时，73 种语言各自超过 51,000 小时，每语种平均 7400 小时、中位约 5180 小时，英语占比不到 2%。第三是质量实测，约 67.3% 数据有效带宽达到 44.1 kHz 档，92.5% 超过 32 kHz，超过 71% 文件约 780,000 小时是真多声道而非复制声道。
输出是数据集本身加两类基线验证，一类是 7 语种单语识别，检验弱文本是否可训，另一类是 16 kHz、24 kHz、48 kHz 三档神经编解码，检验高带宽是否带来重建收益。学习时不要把标称 48 kHz 直接当作高保真，也不要把小时数直接当作干净监督时长，后文所有方法都是为了解决偏斜、去重、带宽虚标与字幕噪声这四件事。本文写作只依据论文正文证据与本次收到的原图像素，未验证的资源可用性不做断言。
已有大规模语料留下了哪两个缺口？
第一个缺口是规模与语言偏斜。论文回顾指出截至 2024 年末几乎所有开放语料加总仅 100 多 10000 小时，远小于内部可达 10000000 小时的专有语料。更重要的是常见开放集英语常占一半以上，低资源语言长时间不足。YODAS v2 有 550,000 小时 140 种语言，VoxPopuli 有 400,000 小时 23 种语言但 16 kHz 单声道，LibriLight 为 60,000 小时单语，Emilia 为 100,000 小时 6 语 24 kHz。第二个缺口是保真度与空间信息。
多数开放集只发 16 kHz 或 24 kHz 单声道，足以做标准识别，却难以支撑 noisy 多说话人识别、高保真编解码、全频带富有表现力合成、空间音频处理与立体声增强。论文把 Unsupervised People’s Speech 列为对比，该集 740,000 小时 48 kHz 但标注栏为无，而 YODAS v3 要在同样高规格下保留弱标注。相关工作的对照维度因此是同输入即网络视频或朗读、同目标即识别与重建、同监督即有无文本、同运行阶段即训练与评测是否同域。
初学者容易误以为小时数越大越好，论文的反例是 CommonVoice 与 DNS5 LibriVox 几乎全部样本存在带宽错配，LibriTTS 也有约 25% 样本受影响，说明不测有效带宽就无法谈高保真。
要解决的具体问题是什么，难在哪里？
具体问题有两个。第一是如何在不重复 YODAS v2 的前提下，为中低资源语言爬到足够多且较新的视频。第二是如何证明爬到的是真高带宽真立体声且文本可用，而不是名义格式与机器字幕的堆积。难处在于搜索引擎默认偏好高相关高播放量视频，若用跨语言共享关键词还会把高资源语言词用于低资源语言检索，导致搜不准也搜不全。难处还在于 Opus 解码恒输出 48 kHz 脉冲编码调制波形，文件头采样率不能反映内部带宽模式与麦克风频响，声道数也不能反映是否复制。
难处还在于人工字幕稀少，论文报告仅占总量 3.7%，远低于 YODAS v2 的 20%，原因是自动字幕质量提升后人工制作减少，大部分监督只能依赖自动生成字幕。举例说明，假如用英语维基高频词去搜威尔士语视频，关键词本身就不在目标语言分布内，搜回的多是英语热门视频，这就是论文要改掉的共享关键词做法。另一个例子是把单声道复制成双声道的文件，若只看通道数会误判为立体声，必须做残差检验。
从关键词到可训练语料的全链路是怎样的？
全链路可以沿一个样本走一遍。假设目标语言是法语，先为法语单独下载该语言维基转储并过滤，得到法语关键词表，再用其中一词搜索知识共享许可视频并优先新上传，得到视频标识，下载最高质量多声道 OPUS 音频与原语言字幕，若为非英语再下载英语字幕做翻译对，附带浏览量、声道数、采样率、有效带宽、语言区域、转写、翻译与描述等元数据，最后排除已在 YODAS v2 中的标识以免重复。表示层面是关键词的文本分布、视频的标识集合、音频波形与 utterance 级时间戳文本。
组件层面是语言相关的关键词过滤与分词器筛选、偏新搜索与两轮采集、原始格式下载与字幕选择。目标层面是语言均衡、高保真保留与弱监督可用。输出是可按时长切分、可按语言过滤、可用于识别与编解码的语料包。论文强调 2 次搜索确实发现了前次未见的新上传视频，上传日期直方图在采集线后出现柱高跳变，且最终只保留 YODAS v2 未见标识，使两套数据可合并使用。
弱标注 × 自动字幕： 弱标注指语言标签、识别文本与英译由机器或上传者附带信息自动产生而非人工逐句校对的分工，自动字幕指 YouTube 原语言自动生成字幕与非英语视频附带的英语字幕的分工，二者搭配的理由是 1000000 小时规模无法承担人工转写，只能把平台已有的时间戳字幕当作可训练的近似监督，组合意义是让语料同时可用于识别与翻译，但也引入了转写错误与对齐噪声，需要后文的过滤与阈值实验来检验可用性。
以下导读针对视频上传日期直方图，横轴是年份，纵轴是密度，3 条虚线标出版本分界，读者应把曲线跳变与采集动作对应起来看。
看图路径： 1. 先看横轴视频上传年份从 2020 到 2025 与纵轴密度，确认时间覆盖范围；2. 再找红色 YODAS v2 发布线与两次蓝色 YODAS v3 采集线的位置关系；3. 比较每次采集线前后的柱高跳变，判断新视频发现是否有效；4. 观察 2024 到 2025 柱高整体抬升，理解优先新视频策略的效果
论文图 1。原论文 Figure 1：“Histogram of video upload date. “YODAS2” is the submission deadline of ASRU 2023.”。
该图显示 2020 到 2023 年密度平稳缓慢上升，在 YODAS v2 发布线后继续爬升，在 YODAS v3 第一次采集线前形成小峰，短暂回落后在第二次采集线前再次冲高，2025 年柱高明显高于往年。这支持论文的说法，即优先新上传的设置缓解了只搜热门旧视频的问题，并且两轮搜索互补而非重复。复述时要说明横轴是上传年份而非下载年份，纵轴是密度而非绝对小时数，不能把峰高直接读成某语种时长。
关键词、带宽与声道三个组件各算什么？
关键词组件先讲白话，关键词就是喂给视频搜索的查询词。英文名为 keyword list。做法是对每种语言单独处理，下载该语言维基转储后去掉只含标点数字、首字符为标点或数字、长度不在 3 到 30 字符、属于文件名与数字对象标识符及维基模板与请求文件的词。最后为控制可搜规模，在过滤后关键词上训练单字元子词分词器，预设词表大小，若建不出则减半重试，建好后对每个关键词分词并算单字元似然，只保留似然最高的词。
搭配理由是高资源语言词不再污染低资源检索，且高似然词更可能是常用自然词，新增作用是 22 语超 10000 小时、73 语超五 1,000 小时的均衡分布。带宽组件白话是真高频有多少。英文名为 effective bandwidth estimation。做法是对每文件算 8192 点汉恩窗、50% 重叠的短时傅里叶变换，跳过均方根小于等于 1e-6 的静音帧，每帧找幅值超过帧峰值 0.5% 的最高频点，全文件取最大，短于 5 分钟全算，长录音随机抽 5 个 60 秒段取最大，再映射到 8、16、22.05、24、32、44.1 kHz 中最接近且奈奎斯特频率覆盖该最大频率的一档，对齐 URGENT 2025 挑战的分类。
声道组件白话是双通道是否真不一样。英文名为 effective channel count。做法是对每对声道相减算残差均方根并除以两声道平均均方根，阈值 1e-3，低于阈值判为复制。时长组件显示 170 万视频长于 5 分钟共 1,000,000 小时，120 万长于 10 分钟共 950,000 小时，400 万视频中 24% 以上短于 1 分钟，论文归因于短视频流行，60 分钟以上多为直播，留待未来分析。
有效带宽 × 标称采样率： 标称采样率指解码器输出的数字格式如 Opus 解码恒为 48 kHz 的分工，有效带宽指信号中真正有能量的最高频率的分工，二者搭配的理由是编解码器内部带宽模式与采集设备会限制高频，即使文件名写 48 kHz 也可能是窄带上采样，组合意义是必须用频谱实测把名义格式与真实保真度分开，论文因此用短时傅里叶变换逐帧估计最大频率并映射到标准采样率档。
有效声道数 × 立体声： 立体声指文件头标称的双通道保存格式的分工，有效声道数指 2 通道相减后残差能量是否低于阈值的实测结论的分工，二者搭配的理由是网络视频常把单声道复制成双声道伪立体声，只看文件头会高估空间信息，组合意义是用归一化残差均方根与 1e-3 阈值把真多声道与复制声道分开，从而判断语料能否支撑多说话人、声场与增强任务。
以下导读针对有效带宽柱状图，横轴是估计采样率档，纵轴是 1,000 小时数，重点是高档是否占主体。
看图路径： 1. 先看横轴估计采样率档从 8000 到 44100 与纵轴千小时数；2. 比较 44100 柱与 32000 柱的高度差，确认高频段占比主体；3. 再看 8000 到 24000 四档低柱的总量，估计低带宽尾巴大小
论文图 3。原论文 Figure 4：“YODAS v3 data distribution by estimated effective bandwidth; over 92% of recordings exceed 32 kHz.”。
该图显示 44100 档柱高达 700 以上 1,000 小时，32000 档约 2701,000 小时，其余 8000 到 24000 四档均很矮，合计不足 10%。这与正文 67.3% 在 44.1 kHz 档、92.5% 高于 32 kHz 的报告一致，说明名义 48 kHz 背后确有高频能量，而非全部上采样虚标。复述时要说明这是估计的最大频率映射档，不是解码器输出格式。 以下导读针对视频时长分布图，横轴是分钟数，纵轴是对数计数，重点是长尾形态。
看图路径： 1. 先看横轴时长分钟数 0 到 100 与纵轴对数计数的视频个数；2. 沿曲线从左向右看长尾下降速度，确认短视频与长视频并存；3. 注意 60 分钟附近的小凸起，对应直播类长视频的堆积
论文图 4。原论文 Figure 3：“Distribution of videos by total length (log scale), bucketed into groups by minute.”。
该图显示 0 分钟附近计数近百万，随时长增加快速下降，30 分钟附近仍有万级，60 分钟附近有一个小尖峰，100 分钟仍有 1000 级。这支持长尾判断，即短视频占个数主体而长视频贡献大量小时数，可同时做短句与长程对话、摘要任务。纵轴为对数，不能按线性高度估算比例。 以下导读针对有效声道数分布图，横轴是有效声道数，纵轴是对数总小时数，重点是真立体声占比。
看图路径： 1. 先看横轴有效声道数 1 到 4 与纵轴对数总小时数；2. 比较声道数为 2 的柱与声道数为 1 的柱高低，确认真立体声为主；3. 再看声道数 3 与 4 的极矮柱，理解环绕声只占极小尾巴
论文图 5。原论文 Figure 5：“Log-scale distribution of data by effective number of channels in each audio file”。
该图显示有效声道数为 2 的柱最高，1 的柱略矮，两者均在 100,000 到 1,000,000 小时量级，3 与 4 的柱仅为个位数小时。这与正文超过 71% 为真多声道、大多为立体声、少量 3 到 4 声道来自 5.1 环绕声的描述一致，说明不能把全部文件当作空间音频，但立体声主体足够支撑相关研究。
没有训练大模型时，这里的计算与过滤如何执行？
本节对应数据集论文的构造与基线训练双重含义，先明确没有训练阶段的是语料构造本身，它不含神经网络梯度更新，真实计算是检索、下载、转码保留、字幕选择与频谱统计。有训练阶段的是两组基线验证，需要按原文交代冻结与更新。识别基线采用与 OWSM v4 类似的流程，先做 CTC 切分对齐，再做基于语言的过滤与基于 CTC 分数分位数的过滤，阈值取 0.00 即不过滤、0.10、0.20、0.30 四档。模型从 OWSM v4 base 102M 参数初始化，用 ESPnet 训练 40,000 步，英语用 4500 小时，其余 6 语各约 100 小时，在 7 语随机子集上做单语模型。
原文未报告学习率、批量大小、优化器细节与冻结层，复现时应视为缺项，不能从模型名推定全部参数都更新，也不能推定切分器与过滤器的梯度路径。编解码基线在随机 1200 小时子集上按 16 kHz、24 kHz、48 kHz 训练，架构为 DAC 即描述符音频编解码的改进残差向量量化生成对抗网络，配置沿用 ESPnet-Codec 官方配置以保证与 LibriTTS 585 小时英语朗读和 AMUSE 33,000 小时多域混合的公平比较。原文未给出压缩倍数与码本细节，同样记为缺项。
CTC 切分 × CTC 分数过滤： CTC 切分指用已有识别模型把长音频与弱文本在 utterance 级对齐并切段的分工，CTC 分数过滤指按对齐置信度分位数阈值丢弃低分段的分工，二者搭配的理由是网络字幕时间戳粗糙且含错字，先对齐才能训练短句识别，再用分数控制规模与噪声的 trade-off，组合意义是论文用 0.00 到 0.30 四档阈值检验 YODAS v3 是否需要重过滤才能收敛。
评测在什么数据、指标与基线上进行？
识别评测测的是弱文本经对齐过滤后能否训出可用的单语模型。与谁比是同一数据不同过滤阈值之间的比较，而非跨数据集大模型对比。条件一致性在于同初始化、同步数、同处理流程，只变分位数阈值。指标方向是词错误率越低越好，6 个字母文字语言用词错误率，日语用字错误率，测试集为 CommonVoice 的 7 语对应部分。论文特别说明语言身份用 YouTube 提供的区域信息代理，因大规模自动语言辨识成本过高，这意味着语言标签本身也有噪声。
编解码评测测的是压缩重建保真度。与谁比是本工作 YODAS 训练的三档采样率模型对比 LibriTTS 训练的 16 kHz 与 24 kHz 基线以及 AMUSE 训练的 16 kHz 与 44 kHz 基线。条件一致性在于同 DAC 架构与同 ESPnet-Codec 官方配置。指标是短时客观可懂度越高越好，WavLM 嵌入说话人相似度越高越好。测试分域内与域外，域内为 YODAS v3 的 1000 视频子集，特点是常有背景噪声与多声源，域外为 LibriTTS 干净单人朗读。
初学者要注意数值相同不是同一指标的证据，可懂度与相似度不能互换，域内差不等于模型差，可能是任务更难。硬件与耗时方面论文致谢提及 PSC Bridges2 与 NCSA Delta 系统及 ACCESS 配额，但未报告具体卡时与推理延迟，成本部分记为缺项。
主结果显示了什么，代价与反例是什么？
先提出比较问题。在识别侧，更多数据不重过滤是否反而更好。在编解码侧，高采样率 YODAS 训练是否在难域与干净域同时占优。公平条件与指标方向如上一节所述，识别看错误率下降，编解码看可懂度与相似度上升。下表整理论文直接报告的总览与均衡数字，单位保留原文写法，表头单位与裸值按原文呈现。
第一张表比较开放大语料的规模与规格问题，公平条件是同为公开许可的大规模语音集，指标方向是小时数与语言数越多、采样率与声道越高、标注越完整越有利于基础模型，但需结合有效带宽实测理解。
| 数据集 | 语言数 | 规模 | 采样率与声道 | 许可与标注 |
|---|---|---|---|---|
| YODAS v3 | 147 | 1.100M hours | 48 kHz 立体声 | CC BY 3.0 有标注 |
| YODAS v2 | 140 | 0.550M hours | 24 kHz 单声道 | CC BY 3.0 有标注 |
| VoxPopuli | 23 | 0.400M hours | 16 kHz 单声道 | CC-0 无标注 |
| Unsupervised People’s Speech | 89 | 0.740M hours | 48 kHz 立体声 | CC BY SA 4.0 无标注 |
| Emilia | 6 | 0.100M hours | 24 kHz 单声道 | CC BY NC 4.0 有标注 |
该表主要收益是 YODAS v3 在规模、语种、高规格与弱标注 4 维同时达到最大，代价是弱标注噪声与网络域复杂性仍在，不能当作人工校对集使用。
未胜出项是若只看干净朗读，LibriTTS 类小而干净集在单人场景仍有优势，且 YODAS 人工字幕仅 3.7% 说明监督多为自动生成。 第二张表整理语言均衡的关键数字，比较问题是中低资源语言是否被拉起，公平条件是同语料内各语种小时数，指标方向是低资源尾部越厚越好。
| 统计口径 | 头部语言 | 小时数 | 中尾部阈值 | 均值与中位数 |
|---|---|---|---|---|
| 前 2 名 | Arabic Welsh | 25K hours | 22 langs over 10K hours | mean 7400 median 5180 hours |
| 第 3-4 名 | Japanese English | 21K and 17K hours | 73 langs over 5K hours | English less than 2% |
| 分布形态 | 头部平坦 | top50 柱高接近 | 长尾仍存在 | 代理标签为 YouTube locale |
该表主要收益是头部不再被英语垄断，英语不到 2%，阿拉伯语与威尔士语各约 25,000 小时，日语约 21,000 小时，英语约 17,000 小时。代价是语言身份用上传区域代理，存在错标风险，且像素图中后段语言名在本次缩略图中难以辨认，具体尾部需查原文数据。
第三张表整理质量实测与编解码最强证据，比较问题是高带宽真立体声主张是否有测量支撑且能否转化为模型收益。
| 验证维度 | 估计方法 | 主体占比 | 最强模型 | 域内与域外分数 |
|---|---|---|---|---|
| 有效带宽 | STFT 8192 Hann 50% overlap | 67.3% at 44.1 kHz 92.5% above 32 kHz | YODAS 48 kHz DAC | STOI 0.97 0.94 SPK 0.84 0.90 |
| 有效声道 | RMS residual threshold 1e-3 | over 71% about 780K hours stereo | 对比低采样率与 AMUSE 33K hours | outperforms lower rates and AMUSE |
| 测试难度 | YODAS 1000 videos vs LibriTTS clean | YODAS harder noisy multisource | LibriTTS only clean single speaker | all models worse on YODAS than LibriTTS |
该表说明最强 48 kHz 模型在域内与域外同时取得可懂度 0.97 与 0.94、相似度 0.84 与 0.90，超过低采样率与更大训练量的 AMUSE。反例是所有模型在 YODAS 测试上都差于 LibriTTS 测试，论文明确报告这一点，原因是域更难而非模型失效。初学者不应把跨域分数直接对比为模型胜负。
神经音频编解码 × 可懂度与说话人相似度： 神经音频编解码指把波形压缩成离散 token 再重建波形的模型分工，可懂度与说话人相似度指用短时客观可懂度与 WavLM 嵌入余弦衡量重建后内容与音色保留的分工，二者搭配的理由是高采样率编解码既要保高频细节又要保语义可懂，组合意义是在 YODAS 复杂场景与干净朗读两个测试集上同时打分，才能看出高带宽训练是否带来域内与域外双重收益。
过滤阈值实验如何证明文本可直接使用？
消融变量是 CTC 分位数过滤阈值，取值 0.00、0.10、0.20、0.30，阈值越低保留越多，0.00 为不过滤。论文报告趋势是阈值降低几乎在 7 语上都带来错误率（%）下降，除英语外各语最佳模型均来自不过滤训练。这与 YODAS v2 时期需要重过滤以避免上 100 词错误率导致训练失败的经验相反。有限解释是自动转写质量在近三年随识别进步而提升，因此弱文本更干净。未验证推测是具体哪类错误减少，论文未做错误类型分解，不能断言为对齐错、拼写错或时间戳错中的哪一项改善。
边界是该结论只在 7 语随机子集与 40,000 步、102M 初始化条件下验证，未测试全量 147 语联合训练与从零训练，也未报告阈值与数据量的交互曲线。复现时应先固定初始化与步数，只扫阈值，再逐步放大全语种。若在自己的语言上发现不过滤反而变差，应检查该语种自动字幕比例与区域标签噪声，而不是直接否定主结论。另一个隐含消融是采样率 3 档对比，48 kHz 最优，说明高频信息对重建有贡献，但论文未报告码率与计算量，采样率收益的成本记为缺项。
哪些结论不能下，哪些边界必须记住？
第一，资源可用性在本轮证据中记为无绑定完成 HTTPS 验证的资源，不得声称代码模型数据已公开，论文正文虽给出 HuggingFace 路径，但本次未能确认可达，复现前需自行核对链接与许可。第二，语言标签为 YouTube 区域代理，不是人工核验的语种标签，跨语言同名内容与多语视频会带来错分，均衡数字应理解为近似分布。第三，带宽与声道实测依赖阈值选择，0.5% 峰值、1e-6 静音门限、1e-3 声道阈值与 5 段 60 秒抽样都会影响估计，长录音只抽样可能漏掉局部窄带段。
第四，识别结论限于 7 语子集与特定初始化步数，编解码结论限于 1200 小时随机子集与 1000 视频域内测试，不能推广为全量全语种最优。第五，论文报告去重后总量从 1.4M 降至 1.1M 小时，分布图已按修正后绘制，引用时应使用 1.1M 而非初版 1.4M。第六，未测量误判率、延迟、训练碳成本与人工主观听感，自动可懂度与嵌入相似度不能当作人评，高分不等于人耳同样偏好。这些缺失不是技术错误，但决定了论文支持的是可用性与保真度主张，而非部署成本或体验最优主张。
复现先做什么，需要准备什么信息条件？
先做最小可核对的三件事。第一核对规模与许可，确认 147 种、超 1,100,000 小时、48 kHz 多声道 OPUS、CC BY 3.0 四项是否与下载清单一致，并确认去重后版本而非 1.4M 旧数。第二复现带宽抽查，按 8192 点汉恩窗、50% 重叠、静音门限 1e-6、峰值 0.5% 找最高频点、映射到 8 到 44.1 kHz 六档的流程，对自抽样文件重算，检查 67.3% 与 92.5% 量级是否再现。第三复现声道抽查，按双通道相减归一化残差与 1e-3 阈值重算，检查真立体声主体与 780,000 小时量级。
信息条件方面，需保留每视频标识、上传年份、区域语言、浏览量、声道数、采样率、有效带宽、原语言时间戳转写、英语翻译与描述。基线复现需准备 OWSM v4 base 102M 初始化、ESPnet 流程、CTC 切分与语言过滤、四档阈值与 40,000 步设置，识别在 CommonVoice 对应 7 语上以词错误率与日语字错误率评测。编解码需准备 DAC 架构与 ESPnet-Codec 官方配置、三档采样率、LibriTTS 585 小时与 AMUSE 33,000 小时对比、VERSA 工具的可懂度与相似度。常见误解是把不过滤最优当作所有语言都不需清洗，正确做法是先在目标语上小规模扫阈值，再决定是否全量不过滤。
另一个误解是把 48 kHz 文件直接当高保真，正确做法是先跑带宽估计再选高频子集做合成与编解码。
何时值得尝试 YODAS v3，还需补哪项验证？
当研究需要大语种覆盖、高采样率、立体声或长视频时值得尝试，例如多语识别、多说话人 noisy 识别、全频带合成、高保真编解码、空间处理与立体声增强，以及需要长程对话与摘要的任务，170 万长于 5 分钟与 120 万长于 10 分钟的体量提供了长音频来源。当只需要干净单人朗读或小规模快速迭代时，更小更干净的集可能更省成本，不必直接上 1000000 小时。若目标是低资源语言，应先检查该语在语料中的小时数与自动字幕比例，再决定阈值与数据量。
还需补的验证包括目标语上的阈值扫描、全量联合训练的扩展性、人工抽检的转写错误率、主观听感与推理延迟成本，以及区域代理标签的纠偏。这些补项决定了从可用到可部署的距离。回到中心判断，论文用分语言关键词解决搜得偏、用原始格式保留解决存得损、用频谱与声道实测解决证得虚、用阈值与编解码基线解决训得动，4 步闭环使大规模弱标注语料可以直接进入训练，而代价是噪声与域复杂性必须在评测中显式承担。
⚖️ 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