自动标注不准时，可解释语音情感识别如何既挑数据又在线改标签

英文题目：Explainable and Trustworthy Speech Emotion Recognition Using Confidence Score and Reinforcement Learning Rectified Speech Emotion Descriptors

会议身份：conference:interspeech:2026:conference-paper-id:chen26r_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：#强化学习 #可解释性 #后训练 #语音情感识别

评分：6.2/10 | 创新 1.2/2 | 技术严谨 1.0/1.5 | 实验充分 1.0/1.5 | 清晰度 0.7/1 | 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：方法研究

👥 作者与机构

• Youjun Chen：机构信息未能从会议 PDF 纯文本可靠映射
• Xurong Xie：机构信息未能从会议 PDF 纯文本可靠映射
• Mengzhe Geng：机构信息未能从会议 PDF 纯文本可靠映射
• Zengrui Jin：机构信息未能从会议 PDF 纯文本可靠映射
• Jiajun Deng：机构信息未能从会议 PDF 纯文本可靠映射
• Guinan Li：机构信息未能从会议 PDF 纯文本可靠映射
• Shujie Hu：机构信息未能从会议 PDF 纯文本可靠映射
• Huimeng Wang：机构信息未能从会议 PDF 纯文本可靠映射
• Haoning Xu：机构信息未能从会议 PDF 纯文本可靠映射
• Chengxi Deng：机构信息未能从会议 PDF 纯文本可靠映射
• Bowen Zhang：机构信息未能从会议 PDF 纯文本可靠映射
• Xunying Liu：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

可解释语音情感识别需同时输出离散情绪标签与韵律解释依据，但自动工具按统一阈值标注的语音情感描述符（Speech Emotion Descriptors，SED）可靠性低，且最优阈值随说话人年龄、性别和口音变化。本文提出后训练两步闭环：先用多层感知机置信度估计模型（Confidence Estimation Model，CEM）为每条样本的5维描述符打分并经均值池化筛选可靠子集，再在监督微调（Supervised Fine-Tuning，SFT）中用循环神经网络控制器在线采样保留或修改策略并与语音大模型交替优化。与统一阈值离线标注后全量训练的可解释基线相比，该机制把数据选择与标签修正耦合，使不可靠标签可随情绪监督信号被动态纠正。置信度估计先利用预训练语音大模型在可靠标注上推理构造正负样本对以训练估计器，再对自动标注数据计算话语级综合分数并按百分位截断保留。修正阶段以掩蔽情绪词后的情绪交叉熵变化经组内归一化作为奖励，驱动控制器与语音大模型交替更新。在IEMOCAP和MELD测试集上，90%保留加修正的最优系统相对无选择无修正基线取得2.9个百分点和3.3个百分点绝对准确率提升，相对值分别为3.7%和5.4%，在p等于0.05水平显著。该结论仅在英语会话情感数据的领域内微调设置下成立，未验证跨语言、跨域与噪声鲁棒性，原文未披露训练、推理与部署成本。

🔗 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：为什么只给情感类别不够用？

这篇论文研究的输入是语音波形及其对应的文本提示，目标是做语音情感识别，也就是判断说话人的情感状态。初学者容易把这个任务理解成一个普通的分类问题：输入一段语音，输出高兴、生气、悲伤、中性中的一个。这种理解在传统做法中是对的，但论文指出它缺少 granularity 和 explainability，也就是缺少细粒度和可解释性。

细粒度指只给 1 个类别无法说明为什么是这个情感，可解释性指人希望看到中间证据，例如说话人的音高是高还是低、音量是大还是小、语速是快还是慢，以及说话人特质如性别和年龄。论文把这些中间证据统称为语音情感描述符，英文是 speech emotion descriptor，缩写为 SED。具体包括 pitch、volume、speed、gender、age 5 个维度。白话说，SED 就是先用语言把声音听起来什么样描述一遍，再基于这段描述判断情感。论文的目标输出因此是结构化的：包括转写文本、情感标签和修正后的 SED 标签。

开场需要保留的关键信息是：事实来源只有论文原文证据与本次收到的官方原图像素，不继承其他分析；资源状态证据为 NONE，因此不能声称代码、模型或数据已公开；本文只讲论文实际研究的带 SED 的可解释语音情感识别任务，教学用的例子会明确标为例子。

相关路线有哪些：从转写加语言模型到带描述符的语音大模型？

按同输入、同目标、同监督来对照，相关工作可以分成 3 条路线。第一条是早期可解释语音情感识别系统，先把语音转成文本，再用大语言模型对转写文本做情感识别。这条路线输入也是语音，目标也是情感，但监督主要在文本侧，丢失了韵律等声学信息。第二条是近期的语音大语言模型，英文是 speech-LLM models，缩写为 SLM，同时利用语音语义信息和语音情感描述符，包括韵律特征和说话人特质。论文的基础模型就是这类工作中的 VIB-Emo，它用变分信息瓶颈解耦 SED 特征和语义特征。

第 3 条是在可解释语音情感识别中引入基于规则的强化学习，用组相对策略优化，英文是 group relative policy optimization，缩写为 GRPO，以情感识别奖励进一步提升性能。论文指出已有工作有 3 个局限：第一，缺少带可靠 SED 标签的数据，以往多用自动化工具加统一阈值标注，而最优阈值随年龄、性别、口音变化很大；第二，缺少在训练中修正不可靠 SED 标签的能力，因为标签离线生成后就不再更新；第三，缺少可信的可解释性，在不可靠 SED 标签上训练的系统即使最终情感猜对，中间 SED 预测也可能是错的。

因此论文不是简单换一个更大的语音大模型，而是在后训练阶段解决自动标注质量问题。

问题到底卡在哪里：统一阈值自动标注为什么不可靠？

论文把困难拆成数据质量和训练机制两层。数据层面，SpeechCraft 等工具提供的自动标注流程对所有说话人用同一套阈值判断什么是高音高、大音量、快语速。但不同年龄、性别、口音的说话人基线本身不同，统一阈值必然在部分人群上系统性犯错。更关键的是，可靠的专家标注 SED 数据稀缺，后训练能用的大规模数据只能是自动标注的。训练机制层面，以往系统把自动标注的 SED 当作固定监督，训练中不更新，也不能根据目标情感标签去纠正可能的错误。

这就形成一个矛盾：可解释系统恰恰需要 SED 作为解释证据，但证据本身不可靠。如果只看最终情感准确率，系统可能靠捷径猜对情感，而给出的 pitch、volume 等解释是错的，这就是论文说的缺乏 trustworthiness。举一个教学例子：假设一段中性语气的老年男声因基频较低被工具统一阈值判为低音量慢速，若训练时不加筛选和修正，模型会学到错误的描述符到情感的映射。

论文要回答的问题就是：在只能拿到自动标注 SED 的条件下，如何在后训练中既挑出更可靠的子集，又在线修正剩下的可疑标签，同时提升情感准确率和解释可信度。

方法全景：先挑数据再在线改标签的两步后训练怎么做？

论文的整体流程是后训练流程，不是预训练新模型。起点是一个已经在大规模数据上预训练好的语音大语言模型 SER-SLM。第一步是基于置信度分数的数据选择。先训练一个轻量的置信度估计模型，英文是 confidence estimation model，缩写为 CEM，用它对目标域自动标注数据逐条打分，按预设阈值保留高分样本，形成被选的微调数据。第二步是基于强化学习的 SED 控制器修正与 SER-SLM 后训练交替进行。

在被选数据上，控制器每步生成多个 SED 修正策略，SER-SLM 用修正后的结构化标签训练一步，再根据情感损失的变化计算奖励去更新控制器。2 个组件都是可选的，论文通过对照试验说明各自贡献。

数据选择 × 在线修正： 数据选择负责在后训练前按话语级置信度分数过滤掉低可靠样本，在线修正负责在训练过程中逐步改写保留样本中的可疑描述符，二者搭配的原因是只做过滤会丢掉困难样本并缩小数据量，组合意义是先用较高保留比例留住数据，再靠在线修正挽回标签质量，兼顾数据量与标签质量。

沿一个样本走一遍有助于建立依赖关系。输入是一条语音及其文本提示，原始监督包括自动标注的 5 个 SED 标签、真实转写和真实情感标签。先经过 CEM 得到话语级综合置信度分数，决定这条样本是否进入后训练。若进入，控制器的输入是该语音的梅尔频谱图压缩表示与原始 SED 词元嵌入的拼接，输出是对每个 SED 标签保留还是修改的概率，采样得到修正后的 SED 词元。再把转写、情感标签和修正后 SED 拼成结构化监督标签，训练 SER-SLM。

最后只看情感 token 的交叉熵损失来评价这次修正好不好，并用它更新控制器。先理解这条单样本路径，再看后面的公式与训练细节就不会把数据选择和在线修正混为一谈。

置信度模块如何打分：从隐状态到话语级分数？

置信度估计模块的 backbone 是多层感知机，英文是 multilayer perceptron，缩写为 MLP，来自已有说话人自适应工作，论文扩展了一个均值池化层，英文是 Mean Pooling，用于把 5 个 SED 各自的分数聚合成一个话语级分数。白话说，CEM 不直接听原始音频，而是看 SER-SLM 最后一层解码器隐状态，也就是进入最终语言模型头之前的 last hidden states。它是一个 3 层残差前馈网络，每层依次做批归一化、ReLU 激活和 dropout，第一层和第二层输出之间还有跳连，最后接 Sigmoid 输出每个 SED 预测正确的概率。

训练 CEM 需要话语级标签的构造过程：用预训练 SER-SLM 在有可靠 SED 标签的数据上做推理，得到预测的年龄、性别、语速、音高、音量 5 个标签，与真实标签逐个比对，对记为 1，错记为 0，形成 5 维二值数组，隐状态作为输入，二值数组作为监督。训练时先拿掉均值池化层，用 5 维交叉熵优化，推理做数据选择时再把 5 个分数取平均得到综合分数。预设阈值决定保留比例，例如保留 90%、80%、70%、60% 的对照。

置信度分数 × 语音情感描述符： 置信度分数负责评价每个自动标注的语音情感描述符有多可信，语音情感描述符负责提供音高、音量、语速、性别、年龄等可解释的中间证据，二者搭配的原因是直接用统一阈值工具标注的描述符在不同说话人上可靠性差异大，组合意义是用分数把更可靠的样本挑出来做高质量微调，避免错误监督污染情感判断。

修正控制器如何动作：保留还是修改由谁决定？

SED 控制器是一个基于循环神经网络的控制器，英文是 recurrent neural network，缩写为 RNN，具体是一层长短期记忆网络，英文是 long short-term memory，缩写为 LSTM，后接拼接层、线性层和 Softmax 解码层。它的输入有两个来源：一是输入语音的梅尔频谱图经过 LSTM 得到的压缩表示，二是原始 SED 词元的嵌入。两者拼接后送入线性和 Softmax，对每个 SED 标签输出保留或修改两种操作的概率，并据此采样得到修正后的 SED 词元，作为监督标签。

需要强调的是，论文只报告了对每个自动标注 SED 标签决定保留还是修改，没有报告修改的具体目标值是如何生成的，例如是翻转到另一离散档还是重采样，复现时应把这一点记为缺项，不从模型名称推定实现。控制器参数记为 theta_C，SER-SLM 参数记为 theta_SLM，二者在训练中交替冻结与更新，这是理解梯度路径的关键。

语音情感描述符控制器 × 语音大语言模型： 语音情感描述符控制器负责对每个描述符标签决定保留还是修改，语音大语言模型负责根据语音、文本提示和修正后的描述符预测转写与情感标签，二者搭配的原因是离线标注的标签在训练中本来不会更新，组合意义是让控制器根据情感损失的变化在线生成修正策略，使描述符监督与最终情感目标对齐。

交替训练如何执行：模型何时冻结、何时更新？

训练过程是严格的交替更新，不是联合反向传播。在第 i 个训练步的 SER-SLM 微调阶段，控制器参数冻结，先生成 M 个 SED 修正策略，记为 Qi 包含 pi,1 到 pi,M。对每条语音和文本提示 Xi，构造 M 个可能的结构化监督标签 Yi，包括真实转写、情感标签和修正后 SED 标签。SER-SLM 的总体损失是 M 个策略下语言模型损失的平均。接着计算奖励：遮住除真实情感 token 之外的所有 token，只计算情感对应的交叉熵损失 Lemo，共收集 M 个损失，再做组归一化得到策略奖励 R。

直观说，哪个修正策略让情感损失更低，哪个策略就得到更高奖励。在控制器更新阶段，SER-SLM 参数固定，控制器参数可训练，目标是最大化奖励，梯度通过在新策略下生成指定策略的概率乘以组归一化后的奖励来传播。论文明确做了奖励归一化，类似 GRPO，把第 i 轮 M 个情感交叉熵奖励做均值方差归一化以保证稳定收敛。策略样本数默认 M 等于 6，消融中对比了 2、4、6、8、10。

组相对策略优化 × 情感交叉熵奖励： 组相对策略优化负责提供多策略组内归一化的稳定更新方式，情感交叉熵奖励负责衡量不同描述符修正策略带来的情感预测损失变化，二者搭配的原因是控制器的好坏不能直接用描述符是否与自动标签一致来判断，组合意义是只用情感 token 的损失来引导控制器，使修正方向服务于情感识别性能。

需要指出未报告的缺项：原文没有给出控制器修改操作的具体映射规则、组归一化的具体均值方差计算窗口、以及交替频率是每步 1 次还是多步 1 次之外的细节，复现时只能按每步交替实现，不猜测额外技巧。

实验条件是什么：在哪些数据上预训练、训练和评测？

实验按问题组织，先讲数据与协议，再讲训练细节，最后讲基线是否一致。数据方面，论文使用与 VIB-Emo 相同的数据。预训练用 SpeechCraft 中的大规模子集 GigaSpeech-m，约 670k 条语音，带有 SED 标签、转写和情感标签，用模板重构成结构化音频描述，例如说话人年龄性别加语速音高音量加转写内容加情感状态。虽然这些 SED 也是自动标注的，但在大规模相对可靠数据上初始化比从零训练收敛更快。CEM 训练用同样的预训练数据，先用预训练 SER-SLM 推理得到 261.3k 个错误和 408.7k 个正确 SED 预测，再随机选 100,000 个正负样本对训练 CEM。

后训练先用 SpeechCraft 的工具和阈值在 IEMOCAP 和 MELD 的训练与开发集上自动标注 SED 作为原始标签，再对预训练 SER-SLM 做后训练。评测用与已有工作相同的 IEMOCAP 和 MELD 测试集。训练细节上，SER-SLM 预训练与后训练用 AdamW，学习率 2×10−4，warmup 比例 10%，预训练两轮，后训练 20k 步。CEM 用 Adam，学习率 1×10−3，dropout 0.1。控制器隐层 128，嵌入 32，Adam 学习率 3×10−4。

基线包括不带 SED、不做领域微调、带 SED 加领域微调的多个版本，以及 Kimi-Audio、Qwen2-Audio、Audio-Flamingo-3、Step-Audio-R1、OSUM-EChat、BLSP-Emo、VIB-Emo 等开源系统。指标方向是情感准确率越高越好，并用配对单尾 t 检验判断显著性。

主结果说明什么：增益有多大、条件是否公平？

主结果要回答：在相同测试集和相同预训练起点下，加数据选择和在线修正是否稳定超过不做选择与修正的基线。比较的公平条件是都经过领域微调，区别只在于是否用置信度筛选以及是否用控制器修正。指标方向是 IEMOCAP、MELD 和平均准确率越高越好。论文报告最好系统同时集成 2 个组件，超过在全量数据上无选择无修正的基线，在 IEMOCAP 和 MELD 上分别取得绝对增益与相对增益。

下面的整理表只使用原文连续句子中实际出现的数字与单位，不把表格裸值另行换算，百分点与相对百分比严格区分。表前提出的问题是：最佳系统的增益在 2 个数据集上分别是多少，以及对比基线是谁。

表后解释需要同时讲收益与代价。

收益是论文报告最好系统在两个基准上都取得绝对与相对提升，且显著性标记显示超过无修正与低保留比例基线。代价是必须训练额外的 CEM 并做全量推理打分，还要在后训练中每步采样 M 个策略并交替更新控制器，训练成本明显高于直接微调。未胜出项是单独只做低保留比例筛选的系统，例如保留 60% 时性能反而下降，说明过度过滤会丢掉困难样本并缩小数据量，这正是需要在线修正来补偿的原因。

为考察可信性是否伴随准确率提升，论文给出基线与最好系统在 IEMOCAP 训练集上最后隐状态的 t-SNE 可视化。导读是：把该图看成两个并排的散点分布对比，左为基线，右为最好系统，颜色代表 4 种情感，右下红框给出簇紧致性数值。

看图路径： 1. 先确认左右两幅图的图例都是 Happy、Neutral、Sad、Angry 四种颜色点；2. 再对比中间黄色 Neutral 簇与绿色 Happy 簇在右图是否分离更清晰；3. 最后查看每幅图右下红框内四个情感簇的协方差对数行列式数值是否变小

论文图 1。原论文 Figure 2：“t-SNE visualization of the last hidden states extracted from the baseline (Sys.”。

解释是：从实际收到像素看，左右两图都包含绿色 Happy、黄色 Neutral、蓝色 Sad、红色 Angry 四簇，横轴约负 10 到 15，纵轴约负 10 到 15。右图黄色 Neutral 与绿色 Happy 之间的边界更清晰，混杂点更少，蓝色 Sad 簇左下位置相对集中。右下红框内 4 个簇的协方差对数行列式在右图普遍更小，论文据此认为在更高质量 SED 标签上后训练改善了表示区分性，尤其有助于区分 Neutral 与 Happy。像素不能精确辨别的簇内单点坐标不硬写数值，结论只限于该训练集隐状态分布，不直接等同于测试集误判率下降。

保留比例与策略数如何影响性能：阈值越高越好吗？

消融要回答两个可操作问题：保留多少数据合适，以及每步采样多少修正策略合适。先看保留比例。论文对比了 90%、80%、70%、60% 等档位。单独只做置信度筛选时，最优是 80%，而与 SED 修正结合时最优移到 90%。这支持一个判断：当标签可以在训练中被在线修正并与系统训练紧密集成时，更高的阈值不一定最优，留更多数据让控制器去改比直接扔掉更好。

反例是保留 60% 时无论是否加修正性能都明显回落，说明数据量损失超过了质量收益。下面的整理表汇总训练与消融配置，数字与单位全部来自原文连续句子，不自行换算。表前问题是：复现时应按什么优化器、学习率、结构尺寸和策略数起步。

表后小结与下表引导：该配置给出可直接运行的起点，控制器每步 M 倍的前向与损失计算是主要代价，更多采样未必继续提升总体平均性能。下面的整理表把原文中分散在连续训练描述句中的数字集中呈现，便于对照复现时的优化器与采样设置。

表后解释是：该配置表的价值在于给出可直接运行的起点，但代价是控制器每步 M 倍的前向与损失计算。若把 M 从 6 增至 8 或 10，论文报告总体平均性能并未继续提升，说明更多采样带来方差减小有限而计算增加明显。未评测边界是大于 10 的策略数、不同 LSTM 层数与嵌入尺寸的影响，原文未报告，不能推定更大就更好。

策略样本数 M 的取舍：6 为什么是默认选择？

第二个消融固定保留比例为最优的 90% 加修正，只改变每步生成的修正策略数 M，取值为 2、4、6、8、10。测的是 IEMOCAP、MELD 与平均准确率，条件一致，越高越好。论文报告 M 等于 6 时总体平均最好，虽然在 IEMOCAP 单集上比 M 等于 8 低约 0.08%，但 MELD 与平均仍占优，因此默认选 6。这是一个典型的用平均性能代替单集最优的可部署选择，搜索最优与部署默认需要分开标注。表前问题是：M 的变化是否单调提升，以及最佳系统的对照关系是什么，M 等于 10 是否继续带来增益需要用表中对比来回答。

表后解释是：该表说明 M 增大并非单调提升，M 等于 10 时性能回落，更多随机策略不等于更好优化。主要收益是确认了在线修正的稳定性，不需要很大的 M 就能获得提升。

代价是 M 增大时每步要构造 M 个监督标签并计算 M 次语言模型损失，显存与时间线性增长。限制是该消融只在最好保留比例下做，没有报告在 60% 低保留下 M 的敏感性，因此不能把 M 等于 6 推广到所有数据规模。

还有哪些没验证：延迟、误判率与跨域泛化能承诺吗？

需要区分论文直接报告、有限解释和未验证推测。直接报告的是情感准确率提升、保留比例漂移、M 等于 6 平均最好，以及 t-SNE 簇更紧致。有限解释是更紧致的簇支持表示区分性变好，但这只是训练集隐状态分布的可视化，不是测试集校准误差或误判率的直接测量。未验证的是推理延迟、实时因子、显存占用、输出帧率等部署成本，原文没有测量，不能承诺这些量得到改善。同样，训练资源只给了优化器、学习率、步数与模型尺寸，没有给硬件型号、卡数与 wall-clock 时间，不能据此估算预算。

另一个缺项是 SED 本身的预测准确率，论文强调可信性，但正文证据没有给出 5 个 SED 维度各自的修正准确率或人工评价，t-SNE 不能替代对中间证据正确性的直接评估。相关性不等于因果：准确率与簇紧致性同时变好，不能证明就是某个 SED 维度的修正导致了某类情感的提升。

可解释性 × 可信性： 可解释性指系统能同时输出语音情感描述符、转写文本和情感类别等结构化中间证据，可信性指这些中间描述符预测本身是准确的而不只是最终情感蒙对，二者搭配的原因是只看最终情感准确率会掩盖中间证据错误，组合意义是论文同时用情感准确率和隐状态聚类紧致性来考察系统是否真正因为更可靠的描述符而变好。

复现先做什么：按什么顺序搭出最小可运行版本？

复现应按学习依赖从数据到评估依次搭建。第一步准备数据与自动标签：获取 GigaSpeech-m、IEMOCAP、MELD，用 SpeechCraft 的工具与阈值在 IEMOCAP 和 MELD 训练开发集上生成原始 SED 标签，保留工具版本与阈值记录，否则无法对齐原文条件。第二步复现 SER-SLM 预训练：按 AdamW、学习率 2×10−4、warmup 10%、预训练两轮起步，用结构化模板把年龄性别语速音高音量转写情感拼成监督文本。第三步训练 CEM：用预训练模型在预训练数据上推理，按预测与真实 SED 是否一致构造 5 维二值标签，平衡选取 10 万正负对，用 Adam、学习率 1×10−3、dropout 0.1 训练，先不加均值池化，推理时再平均。

第四步实现交替后训练：控制器用一层 LSTM 加拼接线性 Softmax，隐层 128、嵌入 32、Adam 学习率 3×10−4，每步冻结控制器采样 M 等于 6 个策略训练 SER-SLM，再冻结 SER-SLM 用情感交叉熵组归一化奖励更新控制器，后训练 20k 步。第五步评估：在相同 IEMOCAP 与 MELD 测试集上测准确率，并做配对单尾 t 检验。关于开源状态，本次收到的资源状态为 NONE，未发现来源绑定且完成验证的资源，因此不能写代码模型数据已公开，复现需按论文文字自行实现。

常见误解是把冻结参数当成输出确定：即使控制器冻结，采样仍可能随机，评估时应固定随机种子并报告多次平均。

何时值得尝试这种先筛选再修正的思路？

当同时满足 3 个条件时值得尝试：监督中有结构化中间证据且证据由自动化工具生成，不同说话人群的最优判定阈值差异大，以及最终目标标签比中间证据更可靠。语音情感识别符合这 3 条，因为 SED 可解释但自动标注不可靠，而情感标签相对可靠，可以用来引导修正。若中间证据本身就是专家标注且质量很高，直接全量微调可能更简单，不必引入筛选与控制器。教学层面的收束是：数据选择解决的是样本级可靠性，在训练前做减法。

在线修正解决的是标签级可靠性，在训练中做改写；奖励只看情感损失解决的是目标对齐，让改写服务于最终任务。三者缺一不可的证据是：低保留比例单独用会掉点，高保留加修正才最优，M 过大也不再涨点。还需补的验证包括 SED 各维度的直接准确率、人工可信度评价、跨数据集与跨工具的泛化，以及训练与推理开销的实测。只有补上这些，才能把准确率增益真正等同于可解释且可信的提升。

⚖️ 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