不按口音分专家，按发音方式分：六个语音专家的口音适配

英文题目：Mixture of Phonetic Experts Based Low-Rank Adaptation of Conformer Models for Accented English Speech Recognition

会议身份：conference:interspeech:2026:conference-paper-id:dahal26_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：#LoRA #混合专家模型 #零样本 #语音 #语音识别

评分：6.1/10 | 创新 1.3/2 | 技术严谨 1.0/1.5 | 实验充分 1.1/1.5 | 清晰度 0.7/1 | 影响力 0.9/1.5 | 开源 0.0/1.5 | 可复现 0.3/0.5 | 工程/实践 0.8/1.5

排名：前50% | 文档类型：方法研究

👥 作者与机构

• Santosh Dahal：机构信息未能从会议 PDF 纯文本可靠映射
• Anmol Guragain：机构信息未能从会议 PDF 纯文本可靠映射
• Tianchi Liu：机构信息未能从会议 PDF 纯文本可靠映射
• Luis Fernando D’Haro：机构信息未能从会议 PDF 纯文本可靠映射
• Kiran Chandra Dahal：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

输入为带6种母语背景口音的英语语音，输出为英文转写文本，难点在于非母语发音对元音共振峰与辅音频谱的系统性偏移让原生模型词错率升至约30.82%。方法链分三步推进：首先用在LibriSpeech上训练并冻结的音素识别模型为每帧生成发音类别伪标签，其次由可学习门控从编码器中间表示输出声学路由分布并与监督信号按可学习混合系数加权融合，最后在Conformer注意力投影上按Top-2激活对应低秩专家并叠加到冻结权重输出。与按口音分配专家的混合专家方案不同，该方法以固定的6类发音方式共享专家集合，测试时无需口音标签即可按音素内容自适应。在L2-ARCTIC多口音评测中最佳配置MoPE-QKV 6-16层取得10.43%词错率，相对单LoRA基线11.33%与全微调12.80%均有优势；留一口音零样本平均词错率9.98%，相对单LoRA平均11.38%下降约12.3%，相对未适配基线17.93%下降约44.3%。该结论仅在约16小时12分钟训练规模与Small约13M量级Conformer CTC模型上验证，未覆盖大模型、自发对话与强噪声外推。适配集中在第6层至第16层查询、键与值投影，每层6个秩为8的低秩专家但推理每帧仅激活2个，总参数约13.6M、活跃参数约13.2M，单卡NVIDIA RTX 5090可完成训练。

🔗 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

带口音英语为什么难？输入输出先对齐

这篇论文只做一件事：让已经在本地英语上训练好的识别模型，在非母语口音英语上错得少一些。输入是 16 千赫采样的口音英语语音，输出是英文单词序列，评价用词错率，越低越好。研究生刚进语音领域容易把口音当成整体风格，好像加一点说话人自适应就能解决。原文的起点不同，它把口音差异定位到音素实现层面，也就是同一个音素在不同母语背景下发得不一样，例如元音偏移、辅音替换、时长和协同发音变化。

模型在本地语音上学到的声学到音素映射，遇到系统性偏移就会成片出错。论文的证据链围绕这个定位展开，先用一个独立音素模型给出帧级语音类别监督，再用 6 个按发音方式划分的低秩专家做修正，最后用多口音联合训练和留一口音的零样本评测证明泛化。需要保留的关键信息是：基础编码器是约 13,000,000 参数的 NeMo Conformer CTC Small 模型，适配只动选定层的注意力投影，专家集合跨口音共享，测试时不需要口音标签。

教学例子仅为理解：可以把带口音发音想象成同一个人换了口型习惯，元音嘴型变了，擦音舌位变了，识别器如果只记整句模板就会失效，只有按发音部位分别纠偏才稳定。这个例子不附带任何数值承诺，真实效果只看后文按原文条件报告的数字。

已有路线走了哪些路？为什么还不够？

原文把相关路线分成 3 类，对照维度是输入是否相同、目标是否同为带口音识别、监督和运行阶段是否一致。第一类是域对抗训练和多任务学习，前者想学到口音不变表示，后者加入口音分类或音素预测做辅助目标。原文指出它们需要精心平衡的训练目标和额外标注数据，在低资源口音场景不一定可行。第二类是参数高效微调，特别是低秩适配，它冻结大模型主体，只学小幅低秩增量。

标准做法是一个适配器处理全部语音上下文，没有显式建模口音在音素层面的表现。第 3 类是专家混合，在多口音场景常按口音或语种分配专家。原文的批评是这种做法把口音身份当成主要变化轴，专家数可能随口音数增长，而且忽略了跨口音共享的语音结构，例如不同口音可能出现类似的元音偏移。需要区分的是类别差异不等于同条件胜负，原文没有在相同参数和相同数据下重跑所有历史方法，而是提出新的分解轴并用自己的基线对照。

对初学者而言，关键判断是：如果口音差异确实大量表现为可复用的音素级畸变，那么按口音切分就会重复造轮子，按发音方式切分才可能复用。这正是后文六专家设计的动机，但它仍是一个待验证的假设，要靠多口音和未见口音的数字来支撑，不能当成先验真理。

问题到底是什么？要测什么才算解决？

形式化地说，给定口音语音帧序列，模型要输出正确词序列。难点在于训练和测试的口音分布不一致，且口音标注在部署时可能缺失或出现新口音。论文把成功标准定成两档。第一档是多口音联合场景：在 6 种母语背景上一起训练和测试，看词错率是否低于单一低秩适配和全量微调。第二档更严格，是留一口音的零样本场景：训练时完全拿掉一种口音，只在该口音上测试，看不靠口音专用模块能否泛化。

这里的聚合对象要讲清：L2-ARCTIC 有 24 名说话人，每种口音 4 人，按说话人和句子都不重叠的方式分成 4 轮，每轮每种口音留 1 人做测试，剩下 18 人做训练和验证，结果在 4 轮上平均。零样本则是按口音留一，训练时见不到目标口音。指标方向都是词错率越低越好，相对改进是相对下降比例，绝对改进是百分点差值，二者不能混用。论文没有报告统计显著性检验和置信区间，也没有报告延迟和误判率分解，所以后文只能说在该划分和平均方式下观察到改进，不能推广为任意口音必然改进。

整体方法如何走完一句话？

沿着一句话走一遍，输入是带口音的声学特征，先进入冻结的 Conformer 编码器。编码器每层做自注意力和卷积增强，中间层的表示被认为最富含音素信息。并行地，一个在 LibriSpeech 上训练好并冻结的音素模型对每 1 帧给出音素类别归属，可信度低或静音帧做均匀处理。主路径上，被选中的适配层不改原始权重，而是在查询、键、值 3 个投影上叠加专家修正。路由模块逐帧决定用哪两个语音专家，综合外部音素监督和内部声学门控。

最终表示是原始分支输出加专家分支输出之和，再送给连接时序分类层做整句解码。训练时只更新低秩专家和路由网络等新增参数，基础权重冻结，专家在训练开始时贡献为零以保留预训练行为。测试时不需要口音标签，完全靠帧级语音内容做路由，因此新增口音不需要新增模块。选择适配 6 到 16 层而不是全层，是基于层表示与音素标签互信息的分析，中间层信息量最大。

低秩适配 × 语音专家混合： 低秩适配负责用极少参数在冻结大模型上做加性修正，语音专家混合负责把修正空间按语音类别切成多个子空间，二者搭配的理由是单一低秩矩阵要同时处理元音偏移和辅音替换会互相干扰，切分后每个专家只学一类发音机制相关的畸变，组合意义是得到跨口音共享、可按帧调度的参数高效适配。

下面这张互信息曲线是层选择的核心依据，阅读时先看整体倒 U 形，再定位峰值区间，不要把纵轴误读成词错率，纵轴是层表示与音素标签的互信息，越高表示该层越能区分音素。横轴是 1 到 16 的层序号，覆盖了后文消融中讨论的 1 到 5 低层、6 到 12 中层和 13 到 16 高层，为理解为什么去掉低层无损、只留中层有害做准备。

看图路径： 1. 先看横轴层序号 1 到 16 与纵轴层表示和音素标签的互信息；2. 再确认曲线在中间层抬升、在首层和尾层回落的倒 U 形；3. 最后记住峰值大致落在 8 到 9 层附近，为只适配 6 到 16 层提供依据

论文图 2。原论文 Figure 2：“Mutual information between layer representation and phoneme label.”。

这张图显示互信息从第 1 层开始爬升，在 8 到 9 层附近达到最高，随后向 16 层回落。原文据此把语音适配集中在包含中层的 6 到 16 层，既保留音素判别最强的部分，也保留高层做连接时序分类解码所需的上下文表示。这个趋势在后文的可视化和消融中被反复呼应，但它来自 TIMIT 上的离散化聚类估计，只说明相对强弱，不给出适配层数的唯一最优证明，具体层范围仍靠词错率消融确定。

六个语音专家是什么？路由如何逐帧算？

专家划分完全按发音方式的人工先验，不是从数据聚类学出来的。英语辅音按标准发音方式分成塞音、擦音、塞擦音、鼻音、流音和滑音 5 类，再加元音作为第 6 类，共 6 个专家。原文用表格把 ARPABET 音素映射到这 6 类，例如塞音含 P、B、T、D、K、G，擦音含 F、V、TH、DH、S、Z、SH、ZH、HH，塞擦音是 CH、JH，鼻音是 M、N、NG，流音滑音是 L、R、W、Y，元音覆盖 AA、AE、AH 等带重音变体的集合。每个专家是一个低秩增量，由下投影矩阵把 D 维输入压到秩 r 子空间，再由上投影矩阵映射回 D 维，缩放系数控制相对冻结权重的幅度。

下投影随机初始化，上投影初始化为零，保证训练起点无扰动。秩和缩放的原文配置是秩 8、缩放 16，专家数固定为 6。每个专家有独立的低秩子空间，元音专家学共振峰偏移和时长变化，擦音专家学咝音和非咝音频谱变化，以减少单一适配器在同一参数空间处理全类别时的干扰。插入位置选在自注意力模块的查询、键、值 3 个投影，理由是它们共同决定跨帧聚合什么和传播什么，直接受语音畸变影响。

路由是帧级混合机制。学习分支从编码器中间表示算出路由对数，经温度系数做归一化得到学习概率。监督分支在音素模型给出可信类别时做硬分配，属于某类就选对应专家，可信度低或静音记为负一时做均匀分配。最终分布是二者按混合系数加权，混合系数是可学习参数，初值经激活函数设在 0.5 附近。学习分支的作用是捕捉音素模型说不清的部分，例如协同发音和边界模糊，并补偿基于连接时序分类对齐在口音语音上的不准。

每帧只激活概率最高的前二专家，归一化后加权合并专家输出。取二而非一的理由来自原文：一是遵循稳定可迁移稀疏专家模型的经验，二是让音素边界附近的帧能同时激活过渡两侧的类别，三是跨域音素首选准确率低，双激活能提供更平滑的梯度。

监督路由 × 学习门控： 监督路由负责用外部冻结音素模型的帧类别给出硬性归属，把专家锚定在预定的发音类别上，学习门控负责从编码器中间表示算出帧级概率以补偿对齐误差和协同发音，二者以可学权重混合的理由是跨域音素识别不可靠，组合意义是既保留语言学先验的可解释性，又对口音导致的边界漂移保持鲁棒。

注意力查询键值投影 × 帧级专家输出： 注意力查询键值投影负责决定跨帧聚合什么信息和传播什么内容，直接受发音畸变影响，帧级专家输出负责对当前帧的隐表示给出低秩修正，二者搭配的理由是只改一处投影不能同时修正关注目标和内容载体，组合意义是让元音共振峰变化和擦音频谱变化在注意力内部就被分门别类地补偿。

需要强调的边界是：原文没有给出温度、混合系数终值和门控网络结构的完整消融，也没有报告去掉监督或去掉学习分支后必然怎样，因此不能补写拿掉某分支的定量后果。路由监督来自冻结音素模型，它的跨域准确率后文会报告，直接决定了监督信号的噪声水平。

训练目标如何组合？哪些参数在更新？

训练是端到端优化，主目标是连接时序分类损失，对整句转写做无显式对齐的似然优化。输入是适配后编码器输出加专家增量的总表示，目标是正确词序列。辅助目标有两个。第一个是负载均衡损失，用专家分配频率和平均路由概率的乘积鼓励均匀利用，防止路由坍缩。第二个是路由置信惩罚，通过惩罚过大的路由对数平方来抑制过度自信的路由决策。

原文给出的权重是均衡项 0.01、置信惩罚项 0.001，总损失是三项加权和。更新范围按证据交代：基础 Conformer 权重冻结，音素模型冻结，只训练低秩专家矩阵、路由网络和混合系数等新增部分。优化配置是批量 16、训练 50 轮、学习率从千分之一余弦退火到百万分之五，在单张显卡上进行。音素模型是单独在 LibriSpeech 上用字素到音素转换训练 25 轮的 Conformer CTC Small 模型，结构为 16 层、维度 176，优化器用常见动量参数和权重衰减，学习率同样千分之一带预热和余弦退火，训练时保持冻结。

连接时序分类损失 × 负载均衡与路由置信惩罚： 连接时序分类损失负责在无帧级对齐下优化整句转写，是主识别目标，负载均衡与路由置信惩罚负责约束混合专家训练稳定，前者防专家坍缩到少数类别，后者防路由过度自信，二者搭配的理由是稀疏路由本身不保证被识别目标充分训练，组合意义是用小权重辅助项换取专家利用率和训练稳定性。

缺项必须点名：原文没有报告梯度是否截断到音素模型，没有报告路由前二选择的不可微部分如何回传的具体实现细节，也没有报告是否重置优化器或早停 patience。教学上可以这样理解：主损失管认得对不对，辅助损失管专家分工稳不稳，但辅助权重是原文固定选择，不是搜索最优，不能当成普适推荐。

数据、划分和基线如何保证可比？

数据用 L2-ARCTIC，约 24 小时非母语英语，24 名说话人覆盖普通话、韩语、西班牙语、印地语、阿拉伯语和越南语 6 种母语背景，每种口音 4 人。划分比只按说话人划分更严格，要求说话人和句子都不重叠，每轮每种口音留 1 人做测试且测试句不在训练中出现，说话人轮换保证每人被测 1 次，结果在 4 轮平均。总量约训练 16 小时 12 分、验证 2 小时 03 分、测试 41 分，各口音训练时长在 2 小时 18 分到 2 小时 52 分之间。层表示分析额外用 TIMIT，因其提供时间对齐的音素标注，用于算互信息和可视化。

基线覆盖未微调、全量微调、按口音分配专家的混合低秩专家方法，以及只用单一低秩适配但改变投影组合和层范围的多个变体。比较条件上，单一低秩适配和本文方法都基于同一 Conformer CTC Small 基座，同样的 50 轮和批量设置，但参数量不同：本文最佳配置总参数约 13,600,000，推理激活约 13,200,000，远小于按口音分配方法的约 2.44 亿总参数。指标是词错率和音素错率，前者评识别，后者评音素模型。

硬件预算只报告训练用显卡型号，没有报告推理延迟、实时率和内存峰值，因此不能从参数量直接承诺延迟下降。资源可用性必须如实写：本次收到的证据中没有绑定且完成验证的代码、模型或数据链接，不得声称代码或权重已公开。

音素监督本身准吗？训练成本如何？

下表把训练与复现相关的关键配置集中整理，便于对照原文核对超参数与数据划分，后续段落再逐项说明其来源与边界。

需要补充的特有细节是：主模型用 NeMo Conformer CTC Small 约 13,000,000 参数，适配加路由后总参数约 13,600,000，推理激活约 13,200,000；音素模型同样是 Conformer CTC Small 但为 16 层维度 176，在 LibriSpeech 上用字素到音素工具训练 25 轮，冻结后提供帧标签。训练在一张显卡上完成，但原文没有给出每轮时长、总耗时和推理帧率，因此训练资源只能复述型号，不能换算成时间和成本。未测量延迟和内存峰值，就不能说推理开销小，只能说参数增量小。研究生复现时应先复现音素模型的本地基线，再测它在带口音集上的前一前二准确率，确认监督噪声与原文同量级后再调混合系数，否则直接调专家秩数容易走偏。

多口音联合训练到底改进了多少？

为比较不同层范围与投影组合对口音适配的影响，下表整理原文报告的关键配置与字错率结果，供后文结合层表示分析进行解读。

表中第一行显示单一低秩适配在查询键值三投影全层适配时达到 11.33%，本文方法在 6 到 16 层达到 10.43%，原文报告的差距是 0.90 个百分点。第二行是相对全量微调 2.37 个百分点的绝对改进，同时总参数只有 13.6M，远小于按口音分配专家的约 244M。必须同时说明未胜出项：限制到高层会变差，只用中层 4 到 12 会明显变差到 14.05%，全层 1 到 16 与 6 到 16 持平为 10.43%，说明去掉 1 到 5 低层无损，但去掉高层有害。原文的解释是低层学口音不变的低级声学特征，高层虽音素互信息低但保留了解码所需的上下文表示。这个结论支持语音适配聚焦中高层的选择，但它依赖该数据集和该基座，不能推广为所有模型的通用层规律。

多口音联合训练 × 未见口音零样本评测： 多口音联合训练负责检验共享专家能否同时处理 6 种母语背景的偏移，未见口音零样本评测负责检验去掉一种口音后模型能否靠语音类别泛化，前者看拟合与干扰的平衡，后者看是否依赖口音标签，二者搭配的理由是只有第二项能证明适配轴确实是语音而非口音记忆，组合意义是共同支撑可扩展到新口音的主张。

没见过的口音还能用吗？零样本测什么？

为检验未见口音泛化是否成立，下面整理零样本下未适配基线与本文方法的逐口音词错率，重点对比阿拉伯、普通话、越南及平均值，以同时观察收益与残余误差。

表后解释必须同时给收益和代价。收益是本文方法在 6 个未见口音上全部最低，相对单一低秩适配平均 12.3%，相对未适配平均 44.3%，分口音降幅在 9.2%–21.8% 之间，支持按语音类别分解比按口音记忆更易迁移的判断。代价和限制是：绝对词错率在越南口音等难度高的口音上仍高达 18.14，阿拉伯、普通话等也在 9 到 11 区间，说明泛化不等于解决；原文没有报告在新口音上的校准、路由分布漂移和失败案例，也没有测试 6 种之外的口音，因此不能承诺对任意新口音都有同样幅度。

教学上要区分直接报告和有限解释：最低词错率是直接报告，语音级纠偏是机制解释，跨任意口音可扩展是待验证推测，措辞上分别用显示、支持和可能。

层选择和路由数是哪里来的？可视化支持什么？

这一节回答两个依赖问题：为什么适配 6 到 16 层，为什么每帧选两个专家。前者来自互信息加可视化加词错率消融的三重证据，后者来自跨域音素准确率加边界过渡的论证。先看可视化，6 个面板分别对应第 1、4、6、9、10、16 层的帧级音素嵌入，每点是 1 帧，按音素着色。阅读时不要把颜色当口音，也不要数点数，重点看同色是否抱团。原文的判断是中间层团块最清晰，首层杂散，16 层重新变散，与互信息倒 U 形一致。

看图路径： 1. 从左到右依次对比 1、4、6、9、10、16 六个面板的点团分离程度；2. 注意中间层同色点更抱团、首层杂散而 16 层重新变散；3. 结合右侧图例确认颜色代表不同音素而非不同口音或说话人

论文图 1。原论文 Figure 3：“t-SNE visualizations of phoneme embeddings from representative encoder layers (1, 4, 6, 9, 10, 16).”。

从像素可见，第 1 面板点云呈大面积混杂的环状，同色虽有聚集但边界模糊。第 4 到第 10 面板红色、紫色、粉色等团块逐渐分离，尤其第 6 到第 10 面板出现较紧凑的色块，符合音素判别最强的阶段。第 16 面板重新变得弥散，红色点大面积铺开，其他颜色混入，说明高层表示更偏上下文而非纯音素可分。

这支持了只适配中高层而不动低层的选择，但它只是相关性证据，不是因果证明，真正的层范围仍靠下文词错率决定：逐步纳入 6 到 12 中层性能稳步提升，纳入 13 到 16 高层仍有增益，全层不带来额外增益，单独中层 4 到 12 反而有害。关于每帧选二，原文的直接依据是冻结音素模型在 L2-ARCTIC 上只有 36.04% 首选准确率、61.56% 前二准确率，硬选一会频繁选错，选二能覆盖过渡和模糊并改善梯度流动。

这个论证是合理的工程折中，但原文没有给出选 1 对比选二的完整消融数字，因此不能量化选二到底带来多少增益，只能说在该噪声水平下选二更稳。

哪些结论还站不住？缺了什么验证？

缺失证据不是技术错误，但必须明确标出才能避免过度推广。第一，音素到专家的映射是人工先验，6 类划分是否最优没有搜索，元音内部差异很大却共用一个专家，擦音内咝音与非咝音也被合并，原文没有报告更细或更粗划分的对照。第二，层选择基于互信息离散化估计和特定基座，聚类数和随机性会影响曲线形状，原文没有报告多次运行的方差，也没有在其他基座上验证。

第三，路由混合系数可学习但终值未报告，温度系数、前二与前一的直接词错率对比缺失，因此双专家更多是论证加引用，而非本数据集上的因果消融。第四，零样本只在 6 种口音内轮转，没有真正的域外口音、儿童语音、噪声和远场测试，也没有报告分说话人和分句子的误差分布，总体平均向好不等于每组都好。第五，成本只报告参数量和显卡型号，没有报告训练时长、推理延迟、实时率和解码 beam 下的开销，参数少不等于延迟低。

第六，资源状态是本次未能确认可达，没有可用链接，不能写已公开。相关性也要与因果分开：中间层互信息高与适配中层有效同时出现，支持语音适配聚焦中层的选择，但不能证明互信息高必然导致适配增益更大，还需干预性实验。

要复现这篇工作，第一步先做什么？

复现顺序应按学习依赖倒排，先保证数据和监督源，再动适配。第一步按原文准备 L2-ARCTIC 的说话人和句子双不重叠划分，复现 4 轮平均逻辑，检查每口音训练、验证和测试时长是否落在原文区间，并实现留一口音的零样本划分。第二步复现冻结音素模型，先在 LibriSpeech 上训到本地基线，再在带口音集上测帧级 6 类首选和前二准确率，确认是否接近 36.04% 和 61.56% 的量级，若差距大则先查字素到音素转换和对齐方式，而不是调主模型。

第三步冻结基座和音素模型，只训练查询键值三投影上 6 到 16 层的 6 个秩 8 专家与路由，先跑单一低秩适配三投影全层基线对齐到 11.33% 附近，再跑本文方法看能否到 10.43% 附近。超参数保留原文选择：专家数 6、前 2 路由、均衡权重 0.01、置信惩罚 0.001、学习率千分之一退火到百万分之五、批量 16、50 轮。何时值得尝试：如果你的口音数据少、新口音不断出现且不能维护口音标签，这种跨口音共享的语音专家值得试；如果已有大量目标口音标注且延迟敏感，先做单一低秩适配和高层裁剪可能更划算。

还需补的验证是：在你的目标口音上做留一测试并看分口音绝对词错率，同时补测推理延迟和路由分布，避免只看平均相对改进。

一句话收束：何时信它，何时不信？

这篇工作的可信部分是：在同一基座和同一划分下，把低秩适配按发音方式切成 6 个共享专家并用监督加学习门控做帧级双选，能在多口音上以少量参数超过单一适配和全量微调，并在留一口音上保持最低词错率，相对单一适配平均 12.3%，相对未适配 44.3%。支撑它的是互信息、可视化和分层消融的一致指向，以及跨域音素准确率低仍能通过混合路由补偿的完整链条。

不可信或待验证的部分是：6 类划分最优、互信息高即因果、双选优于单选的定量幅度、任意新口音同样幅度的泛化，以及参数少等于延迟低，这些在原文都没有直接测量。给研究生的复述方法是：先讲口音偏移发生在音素实现层，再讲六专家如何分工与路由如何混合，最后讲两档评测分别证明了什么与没证明什么。记住测试时无口音标签、专家跨口音共享是该方法与按口音分配专家的本质区别，也是它可扩展主张的唯一来源。

后续若要跟进，优先补分口音绝对误差、路由可解释性、层与粒度的联合搜索，以及在新口音和噪声下的验证，而不是急于增大专家数。

⚖️ 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