相位还是纹理：双耳掩蔽释放检验空间音频基础模型的相位编码

英文题目：Spectro-Temporal Interference Confounds Phase Encoding in Spatial Audio Foundation Models

会议身份：conference:interspeech:2026:conference-paper-id:chen26da_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：#基准设计 #模型评估 #可解释性 #空间音频信号 #声源定位

评分：7.3/10 | 创新 1.6/2 | 技术严谨 1.3/1.5 | 实验充分 1.3/1.5 | 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 1.0/1.5

排名：前50% | 文档类型：数据集与基准

👥 作者与机构

• Yuxuan Chen：机构信息未能从会议 PDF 纯文本可靠映射
• Haoyuan Yu：机构信息未能从会议 PDF 纯文本可靠映射
• Peize He：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

空间音频基础模型在声源定位等宏观任务上表现优异，但是否真正编码微秒级双耳相位精细结构仍存疑，难点在于定位成功可能来自包络捷径而非跨通道相位计算。本文构建基于双耳掩蔽级差（binaural masking level difference, BMLD）的心理声学探针，先以比特级共享噪声合成同相与反相检测条件并提取冻结嵌入距离比，再引入均衡抵消（equalization cancellation, EC）解析上限与广义互相关相位变换（generalized cross correlation with phase transform, GCC-PHAT）物理对照，最后施加高通滤波与能量均衡及精细结构声码化逐级证伪。与已有方向估计基准只测几何误差不同，该设计将相位敏感性与频谱纹理敏感性显式分离，从而揭示通用双耳模型依赖包络纹理而非真正跨通道计算的混淆机制。在500 Hz与-14 dB评测条件下，专用双耳模型Spatial-AST的BMLD增益指标为+6.8 dB，低于EC基线的BMLD增益指标+15.7 dB。该结论仅适用于冻结表示的低频同相噪声检测范式，向混响语音与多声源推广尚未验证。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，目标是什么，这篇解读要交付什么？

这篇解读的输入是论文正文给出的全部方法与结果证据，以及本次收到的 3 张官方原图像素，不引入外部评价。目标读者是刚进入语音、音乐、音频方向的研究生，需要能照着复述实验动作，而不是记住结论口号。必须保留的信息包括刺激如何构造、嵌入如何提取、距离比如何转成分贝、基线与对照如何设置、统计如何校正、消融如何逐级证伪。输出按学习依赖展开，先讲为什么定位准不等于听懂了相位，再讲基准全景与计算细节，最后讲生态语音为什么会误导判断。

全文只讲论文实际做的双耳纯音与语音检验，教学举例会明确标为例子。关于代码与数据可用性，本次未发现来源绑定且完成超文本传输安全协议状态验证的资源，因此不得声称代码、模型或数据已公开，只能按论文文字复述实验条件。

初学者常把空间音频基础模型理解为输入双通道波形就能自动学会人耳的全部机制。论文的起点恰好相反，它指出宏观声源定位准确率高，并不能证明模型提取了微秒级耳间相位精细结构。人类在低频利用相位锁定实现空间释放，目标音反相时检测阈值可改善 10 到 17 分贝，而该效应在约 1.5 千赫兹以上消失。如果模型只是记住了频谱能量花纹，它在定位榜单上也可能很好，但在严格的相位检验中会露馅。这就是为什么需要一个心理声学基准，而不是再跑一个到达方向误差。

为避免把比喻当证明，这里先固定白话定义。双耳掩蔽级差的白话是同相噪声中藏一个纯音，把纯音左右反相后变得多好听见，用分贝表示改善量。耳间时间差的白话是声音先到左耳还是右耳差了多少微秒，耳间强度差的白话是左右耳响度差了多少分贝。时间精细结构的白话是波形载波的快速振动细节，包络的白话是能量随时间缓慢起伏的外形。后续所有机制讨论都回指这组定义，不引入新名词。

同输入同目标的已有路线如何对照？

与本文同输入同目标的工作是空间自监督与双耳定位评估。论文点名的模型包括通用双耳自监督的 WavJEPA 与 GRAM-T，专用空间自监督的 Spatial-AST 与 DSpAST，以及神经音频编解码器的 EnCodec 与 DAC。已有评测多做几何到达方向估计与房间声学属性，近期听觉运动基准也指出系统性空间缺陷。本文不重复这些宏观任务，而是把检验下沉到表征内部是否做了跨通道相位运算。

与本文同心理声学目标但不同方法的工作是监督式预测双耳掩蔽级差心理测量函数，以及用全参考客观指标评价双耳渲染质量。论文明确区分自己的表征距离比与 BINAQUAL 这类感知相似度度量的差异，前者探针是冻结模型内部嵌入，后者评价的是渲染输出质量。另一条相关线是双耳分组与空间释放建模，它们说明包络与精细结构线索确实能预测语音可懂度提升，这恰好解释了为什么粗糙的双耳接入会在生态语音中虚高。

与本文同机制关切的工作是捷径学习与任务依赖的时间编码研究。已有证据表明下游任务成功不保证类人内部机制，深度网络倾向于利用表面统计规律。本文把这一担忧具体化为可证伪的物理消融链，而不是停留在泛泛批评。相关工作的对照结论是只有在相同双耳输入、相同冻结评估、相同统计校正下比较释放量，才有意义，不能把类别差异直接当胜负。

要回答的具体问题是什么？

论文要回答的问题是冻结的空间音频基础模型是否编码了真正的跨通道相位信息，还是依赖单通道也能看到的谱时干扰纹理。这个问题不能靠定位误差回答，因为定位可以用强度差、单耳频谱缺口、混响模板等多种启发式解出。必须构造一个只有改变耳间相位、其他物理量逐比特不变的对照，才能隔离机制。

为此论文构造 3 条件试验。每个试验共享逐比特完全相同的掩蔽噪声波形，条件分别是纯同相噪声、纯音同相叠加在同相噪声上、纯音反相叠加在同相噪声上。纯音中心频率覆盖 125、250、500、1000、2000、4000 赫兹，生态部分再把纯音与 LibriSpeech 语音片段通过实测双耳房间脉冲响应渲染。关键操作是掩蔽波形在条件间逐比特相同，因此嵌入差异只能归因于耳间相位操作，这是全文因果链的根基。

判断标准分两层。第一层是绝对释放量是否显著大于零且接近解析上限，第二层是释放量是否经得起高通滤波、能量置零与声码器 3 级物理消融。如果模型在高频仍强、在能量置零后仍强、只在精细结构被破坏后崩塌，且单变量探针显示能量主导，那么即使生态语音检出率高，也只能判为纹理混淆而非相位编码。

方法全景：一个样本走完全流程

先沿一个样本走完输入到输出。取一个 500 赫兹纯音试验，输入是左右 2 通道 16 千赫兹重采样并按通道归一化到单位方差的波形。同一掩蔽噪声波形复制三份，分别生成同相噪声、同相纯音加噪声、反相纯音加噪声。9 个神经模型全部冻结，取最后一个变换器块或编解码器编码器输出再做全局平均池化，得到每个条件的嵌入向量。计算反相条件到纯噪声的欧氏距离，除以同相条件到纯噪声的欧氏距离，再乘以 20 取对数转成分贝，这就是表征双耳掩蔽级差。单耳对照只取左通道输入，因此耳间操作对其不可见，理论值恒为零。

双耳掩蔽级差 × 表征距离比： 双耳掩蔽级差负责给出心理声学要测什么：当目标音相对同相噪声反相时人耳阈值下降多少分贝；表征距离比负责把同一逻辑搬到冻结模型内部，用反相条件到纯噪声的嵌入距离除以同相条件到纯噪声的嵌入距离再转成分贝。两者搭配的理由是都不需要训练分类器，直接比较几何距离的变化，组合后新增的作用是让跨通道相位敏感性变成可计算、可做显著性检验的内部指标。

全景中还有两条并行支路。解析支路用均衡抵消模型计算双耳信噪比上限，其内部时间抖动取 105 微秒、幅度抖动取 0.25，公式中的频率指数衰减解释了低频主导。物理支路用广义互相关相位变换做阳性对照，它对互谱做幅度白化，只依赖跨通道相位对齐，与包络结构无关，帧长取 4096 点、重叠 75%。统计支路用符号翻转置换检验加错误发现率校正，显著单元定义为频率乘信噪比格点上自助置信区间不含零。消融支路逐步施加 2 千赫兹以上高通、短时傅里叶与梅尔域能量均衡、50 赫兹包络声码器，分别检验低频依赖、宏观强度依赖与精细结构依赖。

组件与探针：距离、线索与池化如何分工？

表示组件的分工很明确。双耳自监督模型接受立体声波形，Spatial-AST 在前端显式使用耳间相位差特征，DSpAST 在此基础上做解耦分支与特征注意力，WavJEPA 是 12 层联合嵌入预测结构，GRAM-T 是 12 层多通道掩蔽自编码器并以语谱图为输入。神经编解码器中 EnCodec 是双耳多码本残差矢量量化，在 48 千赫兹处理立体声，DAC 是单耳编解码器只做阴性对照。单耳自监督对照包括 HuBERT-Large、WavLM-Large 与 Wav2Vec2-Large，均只处理左通道。所有输入重采样到 16 千赫兹并做通道归一化，模型冻结，池化是全局平均。

单变量线索探针的操作是固定其他条件，只扫描耳间强度差 0 到 15 分贝或耳间时间差 0 到 1000 微秒，计算嵌入到零线索参考的欧氏距离。时间池化分析对比帧级距离比与池化后距离比，论文报告池化把 GRAM-T 放大约 2.1 倍、WavJEPA 放大约 3.4 倍，WavJEPA 去池化后落入相位盲区。这说明弱的逐帧效应会被平均放大，读数时必须同时看帧级。

下面这张图是理解能量主导还是相位主导的关键，读图时不要只记谁高谁低，要看同一模型内两条曲线的相对关系与量级。

看图路径： 1. 先看三行子图的纵轴量级差异，注意中间行只有零点几而上下行达到十几和上百；2. 再对比每行内实线与虚线的相对位置，判断能量主导还是相位主导；3. 沿横轴从零线索向归一化最大线索移动，观察距离是单调上升还是抖动；4. 把右端标注的峰值数字与正文的倍数关系对应起来

论文图 3。原论文 Figure 2：“Cue sensitivity probes. L2 embedding distance from the zero-cue reference vs.”。

这张图从上到下是三行子图，横轴都是归一化线索强度，纵轴都是到零线索参考的欧氏距离，但纵轴量级完全不同。最上行通用模型实线强度差一路上升到 18.2，虚线时间差只到 2.6 且几乎平坦，标注为能量主导。中间行通用联合嵌入模型两条线都在 0.12 以下，时间差曲线抖动不成单调，标注为对两者都不敏感。最下行专用模型虚线时间差迅速抬升到 152，实线强度差到 85，比值约 0.6，标注为相位主导。这种反转是全文判断真伪相位编码的核心对照，单耳对照在此探针中均为零反应，符合预期。

耳间时间差 × 耳间强度差： 耳间时间差负责描述左右通道波形到达时间的微秒级偏移，是低频相位锁定的载体；耳间强度差负责描述左右通道短时能量的分贝级差异，是高频和头影效应的载体。论文把两者做成单变量探针的理由是要分离模型到底对哪类线索有反应，组合意义在于用能量主导还是相位主导的比值判断机制，而不是只看定位准确率。

本研究训练了什么，没有训练什么？

本研究没有训练任何新的音频基础模型，也没有微调被评估的 9 个模型，所有模型评估时参数冻结。这是无训练论文的典型评估型工作，真实计算发生在刺激合成、冻结推理、距离计算与统计检验 4 步，而不是梯度更新。因此不存在优化器、学习率、梯度路径与权重重置需要交代的事项，论文也未报告训练资源消耗，解读中不从模型名称推定其预训练细节之外的实现。

均衡抵消模型 × 广义互相关相位变换： 均衡抵消模型负责给出解析上限，它先均衡左右通道再相减抵消相关噪声，残余信噪比随频率指数衰减；广义互相关相位变换负责做物理阳性对照，它用幅度谱白化后只保留跨通道相位来估计时延。两者分工是前者回答理想计算能释放多少分贝，后者回答当前刺激里的相位信息本身是否完好，搭配后可以区分是刺激坏了还是模型没算相位。

实际执行的计算过程是可复述的。合成侧按频率与信噪比网格生成 3 条件波形并保证掩蔽波形逐比特共享，生态侧调用公开语音与实测房间脉冲响应做双耳渲染。推理侧对每个条件做冻结前向得到嵌入并池化，度量侧按距离比公式转成分贝，统计侧做至少 5000 次置换与自助重采样并做错误发现率校正。消融侧的短时傅里叶用 2048 点汉恩窗、512 点跳长，在每帧 128 个梅尔带内强制左右能量相等，声码器按频带提取 50 赫兹以下希尔伯特包络再调制不相关高斯载波。

这些参数是复现时必须保留的信息条件，未报告的缺项是各模型的原始预训练数据配比与具体池化实现细节，论文只说明取最后块输出加全局平均。

实验条件：数据、划分、指标与公平性

数据分合成与生态两类。合成是纯音加高斯噪声，频率取 125 到 4000 赫兹的六点，信噪比覆盖极低到中等，500 赫兹表格点取负 14、负 4 与 0 分贝。生态是语音与纯音经 Aachen 脉冲响应数据库实测双耳房间脉冲响应渲染。划分不是训练集与测试集划分，而是频率乘信噪比格点，每个格点用 100 个随机种子，单耳对照每格 40 个种子，消融图按 20 个频率乘信噪比格点统计显著比例。指标方向是分贝值越大表示反相条件相对同相条件分离越大，显著比例越大表示越多格点通过校正后检验。

公平性靠三点保证。第一是掩蔽波形逐比特共享，排除物理方差。第二是所有模型同重采样、同归一化、同冻结、同池化，只有输入通道按双耳或单耳区分。第三是统计统一用置换检验加错误发现率校正，自助至少 2000 次，显著单元要求 95% 区间不含零。硬件预算与推理延迟论文未报告，因此不能承诺任何效率改善，总体趋势也不等于每格都成立。

基线包括解析均衡抵消上限、广义互相关阳性对照与 4 个单耳阴性对照。单耳对照按构造恒为零，若出现非零则说明流程泄漏。阳性对照在能量均衡后仍应保持高检出，用于证明刺激相位完好。解析上限随信噪比不变，随频率指数衰减，这是判断神经曲线是否异常的参照。

主结果：绝对释放量与频率信噪比剖面

比较问题是在公平双耳输入下，哪个模型在 500 赫兹的释放量接近解析上限，指标越大越好，单耳对照应为零。下面整理 500 赫兹三信噪比点的关键数字，表格为五列以保留条件、指标、解析基线与两类代表模型，数字与单位保留原文写法，裸值不擅自添单位。

表后解释需要同时讲收益与代价。解析基线在三档信噪比均为 15.7 分贝且与信噪比无关，专用模型在极低信噪比达到 6.8 到 7.0 分贝，不到上限一半但显著大于零，通用模型只有 0.5 到 2.1 分贝，相对上限差 31 倍到 7.5 倍。未胜出项是通用联合嵌入模型全频段低于 0.5 分贝，几乎全程落入相位盲区。另一反例是编解码器虽达 7.0 分贝，但后文声码器将其打回，说明绝对值高不等于机制正确。单耳 4 对照恒为零，确认效应需要双耳接入，但双耳接入并不充分。

时间精细结构 × 包络纹理： 时间精细结构负责承载载波的瞬时相位和过零点细节，反相操作首先改变的就是它；包络纹理负责描述短时频谱块内能量起伏和拍频形成的 2 维花纹，单通道也能看到。论文用声码器破坏前者保留后者的理由是要做机制分离，组合意义在于若声码器后检出崩塌而能量均衡后检出保留，则说明模型依赖的是纹理而非真正的跨通道相位运算。

频率与信噪比剖面进一步暴露异常，读图时先确认坐标再判断好坏，因为纵轴是改善量而非误差。

看图路径： 1. 先看左图横轴频率与纵轴分贝，确认解析上限随频率下降而神经模型贴近底部；2. 再看右图横轴信噪比，确认解析上限与人类阈值是水平线而神经曲线随信噪比变化；3. 注意底部浅色相位盲区带的含义，落入该带即视为无空间释放；4. 对比橙色通用模型只在极低信噪比翘起，深蓝色专用模型在中段更平稳

论文图 1。原论文 Figure 1：“Absolute representational deficit. (a) BMLD across frequency for the EC analytical ceiling and the human threshold versus frozen neural models, all shown as full curves.”。

左图横轴是频率，纵轴是分贝释放量，黑色解析曲线从 125 赫兹 26.7 分贝经 500 赫兹 15.7 分贝下降到高频，灰色人类阈值呈先升后降，神经模型曲线贴近底部。通用掩蔽自编码模型频率几乎不变，不跟随指数衰减，这是相位机制不符的直接证据。右图横轴是信噪比，纵轴是 500 赫兹释放量，解析与人类是水平线，通用模型只在负 20 分贝以下翘起，中等信噪比迅速坍缩到零附近，而专用模型在中段更平稳。阴影相位盲区带内的点视为无释放，单耳对照恒为零线。这组剖面支持的判断是通用模型的峰值是低信噪比放大的假象，限制是表格只给三档信噪比，全曲线需结合原图理解，不能把末步结果推广到全程。

消融链：高通、能量置零与声码器分别证伪什么？

比较问题是释放量到底依赖低频相位、宏观能量还是精细结构，公平条件是同一批频率乘信噪比格点、同统计阈值，只改刺激物理属性。下面整理单变量探针峰值，同样用五列保留线索类型与 3 类模型，数字保留原文。

表后解释要指出代价。通用模型强度差 18.2 对时间差 2.6，差 7 倍，说明表示被能量驱动。专用模型时间差 152 对强度差 85，比值 0.6，出现反转，支持真正的相位主导。未胜出项是联合嵌入模型强度差峰值约 0、时间差噪声抖动，两种线索都不编码。另一细节是池化放大意味着只看池化后数字会高估逐帧能力，复现时必须同时报告帧级。

掩蔽自编码 × 联合嵌入预测： 掩蔽自编码负责对被遮挡的语谱图块做像素级重建，损失被高能量包络梯度主导；联合嵌入预测负责在隐空间对齐掩蔽块和目标块的语义表示，刻意丢弃波形细节以获得不变性。两者都缺少复数域或显式相位对齐项，搭配讨论的理由是解释为什么通用双耳自监督模型都会偏向包络启发式，组合后指出要获得相位敏感性必须在预训练中加入相位约束。

渐进消融的逻辑是每次只破坏一种假设机制，阳性对照用于确认刺激本身没坏。

看图路径： 1. 先按横轴四组条件从左向右看，区分基线、高通、能量置零和声码器四列；2. 再看每列中实心与空心圆点的含义，区分正向解掩蔽与反向显著；3. 重点观察最右列声码器后哪些模型的正向检出保留、哪些转为反向；4. 把顶部百分数字与底部相位悖论、能量证伪、精细结构确认三段文字对应

论文图 2。原论文 Figure 3：“Progressive falsification via physical ablations.”。

这张图横轴是基线、高通、能量置零、声码器 4 组，纵轴是显著格点百分比，向上实心为正向解掩蔽，向下空心为反向。基线列阳性对照 85%、联合嵌入模型 70% 正向加 5% 反向、通用与专用及编解码器均为 100%。高通列通用与编解码器仍 100%，专用降到 85%，联合嵌入转为 65% 反向。能量置零列阳性对照 90%、联合嵌入 75%、其余三者 100%，说明宏观带能量不是必要线索。最右声码器列是唯一分化点，阳性对照转 45% 反向，联合嵌入 6% 正向加 60% 反向，专用 60% 反向，编解码器 20% 反向，只有通用模型保留 50% 正向加 25% 反向、合计 75% 显著。

这组结果支持的判断是通用模型依赖声码器也保留的快包络纹理，限制是阈值恢复实验显示 32 赫兹附近存在与语谱图帧率对应的跳变，复现时需固定窗长与跳长否则阈值会移。

哪些边界尚未评测，哪些推断只是可能？

论文直接报告的是合成纯音与实测房间脉冲响应渲染语音上的冻结表征行为，有限解释是对预训练损失与架构约束的归因，未验证推测是未来加入显式相位约束一定能弥合差距。措辞上前者用报告与显示，后者只能用可能与待验证。缺失证据不是技术错误，例如未测量误判率、延迟、训练成本与输出帧率，因此不能承诺这些量得到改善。

未评测边界包括更高混响与多干扰说话人下的行为、除最后块之外的中间层剖面、非全局平均池化下的稳定性，以及高于 4 千赫兹与低于 125 赫兹的极端频率。生态表显示专用模型纯音 20 格显著到语音 24 格全显著，通用掩蔽自编码模型纯音与语音均为 24 格全显著，联合嵌入模型从 14 格到 17 格，编解码器从 18 格到 24 格，单耳对照均为 0 格。这些数字支持宽带包络混淆的解释，但相关性不是因果，仍需声码器这类干预才能定机制。

另一限制是统计口径依赖显著格点比例，不同种子数与校正强度会改变百分比，跨表比较时必须核对格点总数是 24 还是 20、种子是 100 还是 500。数值相同也不是同一指标的证据，分贝释放量、欧氏距离峰值与显著百分比三者量纲不同，不能混放在同一模型列下做差值。原文表头与图注若出现口径差异，应明确标注冲突而不是自行拼凑一致。

复现先做什么，需要保留哪些超参数？

复现的第一步是重建 3 条件刺激。按 125、250、500、1000、2000、4000 赫兹生成纯音，高斯噪声在 3 条件间逐比特复用，分别构造同相噪声、同相纯音加噪声、反相纯音加噪声。所有波形重采样到 16 千赫兹并按通道归一化到单位方差，冻结模型取最后变换器块或编码器输出并做全局平均。距离比按反相到噪声距离除以同相到噪声距离再做 20 倍对数，统计用至少 5000 次符号翻转置换与至少 2000 次自助，错误发现率控制在 0.05。单耳对照只喂左通道，预期恒为零，可做泄漏检查。

第二步是跑阳性与阴性对照。先跑广义互相关相位变换确认刺激相位完好，帧长 4096 点、重叠 75% 并做幅度白化。再跑 4 个单耳模型确认零基线，然后跑解析均衡抵消得到 15.7 分贝量级的上限，内部时间抖动 105 微秒、幅度抖动 0.25。第三步跑消融链，高通截止 2 千赫兹，短时傅里叶 2048 点汉恩窗、512 点跳长、128 个梅尔带能量均衡，声码器按 50 赫兹以下包络调制不相关载波。单变量探针按强度差 0 到 15 分贝、时间差 0 到 1000 微秒扫描，每点 500 个样本。

下面整理生态与消融的关键数字，同样用五列以便 1 次核对条件、干预与 3 类模型行为。

表后说明复现要点与代价。高通后通用模型不降而专用模型下降，符合生物时间差高频上限约 1.5 千赫兹的预期，是判断真伪的重要分叉。能量均衡后全员保留，说明宏观强度不是必要线索。声码器后只有通用模型保留正向分量，这是纹理机制的确认。生态语音全显著不能单独作为相位证据，必须配声码器对照，否则会被宽带包络 decorrelation 虚高误导。论文未给出可运行代码链接，本次也未能确认可达，因此复现需自行实现上述流水线并固定随机种子。

何时值得尝试这种检验，如何一句话记住它？

当你的空间模型在定位榜单上很好，但你怀疑它只是记住了能量花纹，就值得尝试这套检验。它的成本很低，不需要训练，只需要合成 3 条件刺激并跑冻结推理，关键动作是保证噪声逐比特共享、同时跑单耳阴性与相位白化阳性对照、统计做多重校正。适用条件是双耳输入、低频纯音与可控信噪比网格，若直接跳到宽带语音，很容易被包络混淆误导。

一句话记住它是反相纯音是否让嵌入远离噪声，而高通不倒、能量置零不倒、声码器才倒是纹理机制的指纹。专用相位感知前端能拿到约一半上限的释放量并呈现时间差主导，通用掩蔽重建与联合嵌入模型则呈现能量主导或双不敏感。未来预训练若要 bridging 统计模式匹配与真正双耳计算，需要在损失中加入复数域或显式相位对齐项，但这仍是待验证的方向。初学者复述时应先讲 3 条件构造，再讲距离比分贝与双对照，最后讲 3 级消融的分叉，而不是先背结论数字。

⚖️ 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