组织实体为何最难听准：从多词边界到结构约束的声学命名实体识别

英文题目：Rethinking Organization Entity Modeling in End-to-End Acoustic Named Entity Recognition

会议身份：conference:interspeech:2026:conference-paper-id:dey26b_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：#数据增强 #正则化 #语音识别 #口语理解

评分：6.0/10 | 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 0.8/1.5 | 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

• Spandan Dey：机构信息未能从会议 PDF 纯文本可靠映射
• Nidhi Mantri：机构信息未能从会议 PDF 纯文本可靠映射
• Sambit Behera：机构信息未能从会议 PDF 纯文本可靠映射
• Hirak Mondal：机构信息未能从会议 PDF 纯文本可靠映射
• Sanjay Kurmi：机构信息未能从会议 PDF 纯文本可靠映射
• Sreyasree Mandal：机构信息未能从会议 PDF 纯文本可靠映射
• Atharv Joshi：机构信息未能从会议 PDF 纯文本可靠映射
• Premjeet Singh：机构信息未能从会议 PDF 纯文本可靠映射
• Gopal Agrawal：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

端到端声学命名实体识别需直接从语音输出交错词序列与实体标记，组织（Organization）类因多词跨度、缩写与全称混用、大量未登录词及缺失大小写与标点线索而最难检。本文先以Whisper-small为基座复现联合转写加标注基线并诊断验证集失效模式，再用大语言模型定向改写组织句式并经语音合成回灌声学训练集，随后引入组织专用结束符与结构约束实体学习（Structure-Constrained Entity Learning，SCEL）联合优化跨度一致性。最终系统在同一英语测试集上将组织F1值从30.35%提升至51.40%，词错误率（Word Error Rate，WER）从13.15%降至9.53%，总体实体F1值达76.88%。与级联先转写后标注管线不同，该框架在解码中直接监督实体起止配对并校准标签置信度，以显式跨度约束代替后处理纠错，从而稳定多词组织边界。在Yadav等人英语基准测试集下，最终框架的组织F1指标为51.40%，高于交叉熵基线的组织F1指标30.35%。该结论的适用边界受限于干净朗读英语语料，含噪远场、口音与多语言等条件的泛化尚未验证。该增益仅在LibriSpeech与Common Voice衍生的Yadav等人英语库及同管线合成的多跨度样本上验证，未覆盖噪声、口音、多语言或真实长尾分布，原文未披露训练与推理成本。

🔗 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，输出是什么：先把声学命名实体识别讲成可复述的动作

这篇解读的输入是论文原文证据与 3 张官方原图像素，目标是让刚进入语音或语言方向的研究生能复述方法、复核实验条件并判断何时值得尝试。必须保留的信息包括任务定义、基线与所提框架的训练监督、数据构造方式、评价指标方向和主数字的适用条件，输出是 1 篇按学习依赖展开的中文技术解读，不做超出证据的效果承诺。

声学命名实体识别要解决的是从语音波形直接得到带实体标记的文本。用白话说，输入是一段英文朗读语音，输出是一串词，其中人名、地名、组织名被开始符和结束符框起来，例如把 Reserve Bank of India 框成组织。英文名是 acoustic named entity recognition，缩写常写成 acoustic NER。后文统一用声学命名实体识别指代该任务。

与它最容易混淆的是级联路线。级联路线先用自动语音识别把语音转成纯文本，再用文本命名实体识别在文本上标注。论文指出两点代价：第一，转写错了会向后传递，而文本标注器多在干净人工文本上训练，对含识别错误的转写不鲁棒；第二，两个系统分开训练和维护，无法朝统一目标联合优化。理解这一点很关键，因为后文所有结构损失都是为了让一个解码器同时做好两件事。

端到端声学命名实体识别 × 级联式语音识别加文本命名实体识别： 端到端声学命名实体识别负责从语音直接输出带实体标记的转写序列，级联式语音识别加文本命名实体识别则先转写再在文本上标注；前者分工是让声学编码和实体判断联合优化以避免转写错误向后传递，后者分工是复用成熟文本标注器但要维护两个系统；搭配理由是论文要用同一 Whisper 解码器同时承担转写和标注，才能在解码序列里直接施加跨度一致性约束，这是分开 2 阶段做不到的。

沿一个样本走一遍有助于建立直觉。假设输入是一句含组织名的朗读，编码器先把声学特征变成隐表示，解码器逐词预测输出序列，遇到组织开始就输出 <org>，组织词说完就输出结束符。如果只优化逐词对错，模型可能漏掉开始符、漏掉结束符或把地名误标成组织，这正是论文诊断的组织类失败模式。教学例子：World Health Organization 这类多词组织中间还夹着普通词，边界比单个人名更难从无标点、无大小写的语音中推断，此处例子只用于说明跨度概念，不代表论文报告了该词的具体分数。

已有路线走到哪里，为什么组织实体仍是短板？

按同输入、同目标、同监督来对照，早期代表包括法语上的实体感知识别框架，在转写序列里用特殊标记包围实体跨度，使识别模型同时做转写和检测；英语上有基于 Deep Speech 2 的声学命名实体识别；中文有 AISHELL-NER 数据库；近年有用大语言模型和语音合成做半监督标注的基准，以及用提示微调把 Whisper 扩展到开放类型实体识别的 WhisperNER。论文把这些工作放在同一条线上：输入都是语音，目标都是输出带实体标记的序列，监督都依赖带标记的转写。

论文的判断是这些工作有一个共同短板：组织实体 consistently 比人名和地名更难检出。原文明确说据作者所知，此前声学领域没有工作专门调查并处理该问题。因此本文先搭一个覆盖人名、地名、组织的 Whisper 实体感知联合框架，再系统检查验证集上所有组织类失败样例。诊断出的要点包括多词跨度、缩写与全称并存、词表外新机构名多，以及组织跨度内含有非实体词导致边界在语音中比在文本中更含混。

这种定位决定了后文不是换更大底座，而是做组织感知的结构化改进。相关工作的可比性也因此受限：不同工作的底座、提示偏置和数据划分并不一致，论文在对照时保留了可运行的基线，包括 2 个阶段 Whisper 加 Flair、基于交叉熵的实体感知基线和 WhisperNER 在不同偏置下的结果，而不是只报告一个最优数。

组织实体难在哪里：把失败拆成四种可检查的模式

论文用 Whisper 实体感知基线在验证集上做推理，把组织失败归纳为可复述的 4 类。第一类是实体标记被整体抑制，即参考中有开始和结束标记，预测却只剩纯词，没有任何实体标记。第二类是虚假实体预测，例如参考是地名，预测却输出组织开始符，属于类别混淆。第 3 类是不完整跨度，例如参考要求组织开始和结束成对出现，预测只开了头而没有关尾。第 4 类是过早闭合，多词组织只框住前半部分，把后半部分漏在外面。

这些模式背后有 3 个可操作的成因。成因一是训练数据中组织实体在数量和结构多样性上少于人名和地名，模型见过的组织模式少。成因二是缩写与全称交替出现，例如 WHO 与全称在不同上下文出现，带来词汇歧义。成因三是语音缺少标点和大小写线索，解码器只能靠声学和语言上下文猜边界，容易截断或外延。

从学习角度看，常规词级交叉熵把每个位置平等对待，只关心当前词对不对，不显式建模开始符与结束符必须配对、跨度必须连续的依赖。这解释了为什么转写尚可但组织跨度仍差：转写对了不等于框对了。后文的结构约束损失、专用结束符和增广正是分别对准这三处。

全景：数据侧补多样性，监督侧给边界，优化侧加结构

所提框架可以复述为 3 条并行的改动，都挂在一个 Whisper-small 底座上。数据侧是定向语义增广，用指令微调大语言模型改写含组织实体的句子，做缩写展开和词汇替换，再用语音合成把新文本变回语音，补进训练集。监督侧是类别感知的边界监督，训练时对组织类使用专用结束符 <org end>，推理时再折叠回通用 <end> 以兼容已有评测。优化侧是结构约束实体学习，在标准交叉熵之外加实体建模损失和结构正则损失，引导解码器输出一致的实体跨度。

三者的分工不同。增广负责让模型见过更多样的组织表达和缩写形式；专用结束符负责让模型显式学到组织尾边界的类别模式；结构损失负责在解码每一步惩罚不成对、不连续或误触发的标记行为。论文强调最终目标是在提升组织识别的同时保持整体转写质量，因此词错误率和总体实体分数需要一起看，不能只看组织单项。

复述时要注意冻结与更新的边界。论文明确编码器保持冻结以保留预训练语音表示，解码器经验性地冻结前 9 层，只微调其余部分。原文没有给出每层梯度路径的更细实现，也没有报告不同冻结层数的对照，因此不要从模型名称推定全部参数都参与更新。

损失与标记如何分工：四种错误各由谁来管？

先把符号讲清。记输入语音为 x，目标序列为 y，序列中既有词汇词也有实体标记。Whisper 解码器自回归地预测分布 p。常规训练目标是交叉熵，即对每个位置的负对数似然求和，优化的是逐词转写准确，不显式约束开始与结束的配对关系。

实体感知差异损失专门加重实体标记，缓解实体词远少于普通词的类别不平衡。标记抑制损失在真值不是实体标记的位置上惩罚输出实体标记的概率，用于减少误触发，对应虚假实体预测。跨度覆盖约束惩罚不一致的开始与结束配对，对应漏掉结束符的不完整跨度。边界一致性损失惩罚放错位置的开始与结束配对，对多词实体尤其重要，对应过早闭合。另有两项正则：熵正则抑制弱声学线索下的不确定实体预测，置信校准损失用平方误差把预测概率与经验正确性对齐。总体目标是交叉熵加这六项的加权和，权重用验证集调优。

实体感知自动语音识别 × 结构约束实体学习： 实体感知自动语音识别负责把<org>、<loc>、<per> 和<end> 当作普通词表一起自回归预测，结构约束实体学习负责在交叉熵之外追加实体建模损失和结构正则损失；搭配原因是只靠词级交叉熵会平等对待每个词而学不到开始符与结束符必须成对、跨度必须连续的结构依赖，组合意义是让解码器既会拼词又被显式监督学会何时开实体、何时关实体。

下图把 4 种失败与损失的对应关系画成左右对照，左侧是只用交叉熵的实体感知识别，右侧是加入结构约束实体学习后的结果，每一行对应一种典型错误与负责纠正它的损失分量。

看图路径： 1. 先看每组左侧交叉熵基线的红色预测错在哪里；2. 再看右侧结构约束学习后绿色预测如何补齐或纠正标记；3. 对照每组下方标注的缺失抑制与过早闭合等错误类型

论文图 2。原论文 Figure 2：“Illustration of common organization recognition failure cases and how individual SCEL components address error patterns.”。

看懂该图的方法是逐行核对参考与预测。第一行参考要求输出组织开始和结束，基线漏掉全部标记，对应实体标记抑制，由差异损失处理；第二行把地名误标成组织，由抑制损失处理；第三行缩写组织漏掉结束符，由覆盖约束处理；第四行多词组织提前闭合，由边界一致性损失处理。

右侧绿色预测显示修正后的成对标记。该图是示意性对照，不是定量曲线，不能从中读出具体分数，分数以正文表格为准。

定向语义增广 × 专用边界监督： 定向语义增广负责用大语言模型改写组织实体句子并做缩写展开和词汇替换以补足训练多样性，专用边界监督负责训练时用<org end> 代替通用<end> 让模型学到组织类特有的结束模式；搭配原因是数据侧解决组织样本少和缩写多变，监督侧解决多词组织尾边界模糊，二者组合是从输入分布和输出标记两端同时降低组织跨度截断或外延的风险。

实体建模损失 × 结构正则损失： 实体建模损失负责直接强化实体标记的预测，包括加重实体词、对非实体位置的误触发惩罚、覆盖和边界一致性，结构正则损失负责校准不确定声学条件下的预测置信，包括熵正则和置信校准；搭配原因是前者管跨度对不对，后者管在噪声和同音含混下不要过度自信或摇摆，组合意义是在解码过程中同时保证结构正确和概率可靠。

专用结束符的作用需要单独复述。常规框架对所有类别共用一个 <org>0，多词组织的尾边界容易与其他类别混淆。训练时引入 <org>1 让模型学到类别相关的结束模式，推理时折叠回标准 <org>2，因此评测协议不变。这个设计只改变训练监督，不改变最终输出词表，复现时不要在解码词表里保留该专用符。

数据怎样变多、语音怎样合成、模型怎样训练？

定向语义增广分 2 阶段提示。第一阶段让 14B 参数的 Phi-3-medium-128k-instruct 做受控改写，对含组织标记的句子做释义，保持实体跨度，鼓励词汇变化和缩写展开，例如把 ICC 展开为全称。由于直接生成偶尔破坏标记，第二阶段用同一模型做语法与标记校正，同时给原句和生成句，让模型修复实体边界。再经过基于规则的清理，去掉缺失结束符或出现错误标记的畸形样本。合成语音时从文本中去掉实体标记，再用 XTTS-2 以从原始数据采样的多说话人配置合成，保持声学多样性后并入训练。

下图展示了从输入数据点到输出数据点的完整链路，包括改写器生成保留实体的新句、标注器预测或纠正组织跨度标记、合法性检查决定保留或丢弃。

看图路径： 1. 从左到右跟随输入数据点经改写器到标注器的主箭头；2. 观察合法性检查后分为通过输出与丢弃两条去向；3. 对比输入句与输出句中组织实体跨度标记是否保持对齐

论文图 1。原论文 Figure 1：“Illustration of LLM-based targeted semantic augmen- tation to effectively diversify the organization NE data using abbreviation expansions and lexical variations.”。

该图的阅读顺序是从左向右。最左是原句加原标记，例如含 Reserve Bank of India 的句子及其组织标注；中间蓝色改写器负责生成新句，绿色标注器负责纠正跨度；菱形合法性检查只留通过样本，不通过则丢弃；最右是改写后句子加更新后标记。

像素显示输出句把 raised 改写为 has increased interest rates 但组织跨度保持对齐，这正是增广希望达到的语义等价且标记一致。复现时要保留丢弃分支，否则畸形标记会污染训练。

训练配置按原文交代。底座为 Whisper-small，编码器冻结，解码器冻结前 9 层，用 Adam 优化器最多训练 50k 步，学习率 5e-4，热身 2k 步。结构约束损失的权重先在单项分析中固定交叉熵权重为 0.8、每项辅助损失为 0.2 以公平比较，再按验证集组织 F1 进一步调出最终加权。原文未报告 batch 大小、硬件型号与训练时长等预算细节，这是复现时的缺项，不应自行假设。

在什么数据、什么划分和什么指标下比较？

数据库是英文声学命名实体数据库，含约 150 小时人工标注，覆盖人名、地点和组织 3 类，由 LibriSpeech 和 Common Voice 构造，提供数万个不同命名实体。划分采用随机训练、验证、评测比例，论文强调保证每类实体均衡覆盖。评测指标分两类：去掉标记后的自动语音识别词错误率，数值越低越好；命名实体识别的精确率、召回率与 F1，以及按人名、地名、组织拆分的 F1，其中组织 F1 被定为主要指标，同时要求不退化整体转写和其他类别。

比较对象包括可运行的 2 阶段基线、基于交叉熵的实体感知基线和 WhisperNER 在不同偏置下的结果。2 阶段基线是微调无实体标记的 Whisper-small 做识别，再用 Flair 在预测转写上做文本标注。单项损失分析固定权重以隔离每个分量的贡献，最终框架再报告定向增广与专用结束符的叠加效果。另有一组跨度分析，用相同组织实体合成 500 条测试，其中多数为单跨度、其余为多跨度，专门检验多词建模。

下表把数据规模、实体数量、划分比例与优化步数等可复现条件整理在一起，数值与单位保留原文写法，裸值不擅自添加百分号，千分位与小数精度不做四舍五入。

上表的主收益是把复现必需的信息条件集中在一处：数据量决定声学多样性，实体数与划分决定组织样本的可见性，优化步数与学习率决定训练预算。代价是原文未给出硬件与 batch 等成本量，因此不能从步数直接推断 wall-clock 时间或推理延迟。未评测边界包括噪声、信道失真和跨语种条件，原文没有报告这些切分，需要后续补验证。

主结果回答什么：在组织提升与转写保持之间如何取舍？

单项损失分析显示多数辅助损失能同时改善转写和实体分数，最终结构约束学习在组织 F1 和实体召回上最高，且多数其他指标保持前三，说明结构化改进在两类目标间取得了平衡。组织感知训练进一步把组织 F1 抬高，定向增广加专用结束符相对结构约束学习带来超过 10 个百分点的组织 F1 提升，但类别无关的召回和转写性能略有回落。这正是论文承认的取舍：类别专用优化服务于主目标，整体指标允许小幅让步。

与文献对照时，结构约束学习已在实体识别一致性和词错误率上表现最稳，再叠加组织感知策略后组织 F1 最高。论文报告相对常规 2 阶段基线和基础声学基线，最终框架的组织 F1 分别提升约三成和约 20%。跨度分析显示所提方法在单跨度和多跨度上都高于交叉熵基线，对多词实体的建模更有效。

词错误率 × 组织实体 F1： 词错误率负责衡量去掉实体标记后纯转写词的准确程度，组织实体 F1 负责衡量组织类实体在精确率和召回率之间的综合检出质量；搭配原因是论文把组织 F1 定为主指标但要求词错误率不退化，以此检验结构约束没有以牺牲可懂转写为代价换实体分，组合意义是同时回答听得准和标得对两个问题。

下表把论文直接报告的相对提升与跨度测试规模整理在一起，用于核对主结论的适用条件，方向均为组织 F1 越高越好，测试条数越多覆盖越稳。

上表说明主要收益集中在组织类：相对两条基线的提升幅度最大，叠加专用结束符与增广的增量也明确。具体代价在正文已有交代，即类别无关召回和词错误率在组织专用优化后略有下降，因此不能把组织单项最优解读为所有指标同时最优。未胜出项需要保留：部分单项损失在人名或地名上可能更高，最终加权是按验证集组织 F1 选出的折中，不是每个类别各自最优。

下图是跨度维度的条形图，横轴为组织 F1 分数，纵轴分两组，上组为所提方法，下组为交叉熵基线，每组内黄色为单跨度、蓝色为多跨度。

看图路径： 1. 先确认横轴为组织实体 F1 分数且数值越大越好；2. 比较上下两组中黄色单跨度和蓝色多跨度条形的长度；3. 观察所提方法相对交叉熵基线在两类跨度上的抬升幅度

论文图 3。原论文 Figure 3：“Span-wise organization NE detection performance.”。

从像素可执行地读出三点：横轴从 50.0 向 70.0 增大，条越长越好；所提方法的两条都超过 66，而交叉熵基线的两条在 53 至 58 之间；多跨度蓝色条在所提方法中略长于单跨度，说明多词建模的改善至少不弱于单跨度。像素能辨别的数值约为单跨度 66.90、多跨度 68.13 对单跨度 57.92、多跨度 53.58，精确值以原文表格为准，不要把条形长度当成全程性能，只代表该合成跨度测试条件。

拿掉哪一块会怎样：单项损失与组织策略的对照读法

消融按问题组织。测的是每个结构损失分量是否各自带来增益，与谁比是固定交叉熵权重为 0.8、每项辅助损失为 0.2 的公平单项对照，条件一致，指标方向为词错误率越低越好、实体精确率召回率与 F1 越高越好。论文显示多数单项能改善转写和实体，但个别分量在组织 F1 上反而偏低，例如只加重实体词的损失在组织上不如覆盖与边界约束，这支持论文的判断：只解决类别不平衡不够，必须显式管跨度配对。

第二组对照测组织感知策略。测的是定向增广与专用结束符各自及联合的效果，与谁比是以结构约束学习为基线。结果是联合使用时组织 F1 提升最明显，但整体召回和转写略降。这是一个有代价的改进，复现时应同时报告组织 F1、总体 F1 与词错误率，避免只挑组织单项。

第三组是跨度对照。测的是单跨度与多跨度下的组织 F1，条件是同一批组织实体合成的测试集。所提方法在两类跨度上都高于交叉熵基线，且多跨度提升不小于单跨度，这为边界一致性损失的有效性提供了有限支持。有限二字不可省略，因为该测试是合成语音，不是原始评测集上的自然分布，不能直接推广到所有噪声与口音条件。

还不能说什么：缺项、冲突与未验证的推测

论文直接报告的是在给定英文库、给定划分和 Whisper-small 冻结策略下的分数与相对提升，这些属于报告。论文对多词、缩写和词表外等成因的解释属于有限解释，有失败样例支持但未做因果干预，例如没有单独控制缩写比例来证明缩写是唯一主因。把增广或损失直接说成在任意语种和噪声下必然有效，则属于未验证推测，应表述为可能或待验证。

缺项需要点名。原文未报告 batch 大小、硬件、训练时长、推理延迟与输出帧率，也未测量误判率随信噪比的变化，因此不能承诺延迟或成本得到改善。统计显著性、多次随机种子的方差和超参数搜索范围也没有交代，单次最优可能受随机性影响。资源状态方面，本次未发现来源绑定且完成验证的开源链接，不得声称代码、模型或数据已公开，复现应按论文文字重做。

潜在冲突也要保留。组织专用优化在提升组织 F1 的同时让类别无关召回和转写略降，说明主指标与全局指标之间存在张力；单项损失中有的在总体 F1 高但在组织 F1 低，说明按组织 F1 选出的最终加权不是帕累托全优。阅读时不要把总体趋势推广到每一组或每一步，也不要用自动指标代替人工对实体边界可接受性的判断。

要复现先做什么：按原文可执行的最小清单

先准备数据与协议。按原文用英文声学命名实体库的 3 类标记，随机划分并保证每类均衡，评价时去掉标记算词错误率，保留标记算精确率、召回率与 F1，并把组织 F1 作为选模型的主指标。不要自行更换划分或只报总体 F1，否则无法与原文的取舍结论对齐。

再搭基线。先训交叉熵实体感知基线，编码器冻结，解码器冻结前 9 层，Adam 最多 50k 步、学习率 5e-4、热身 2k 步；再实现 2 个阶段 Whisper 加 Flair 基线以核对级联差距。结构损失按单项权重先复现公平对照，再按验证集组织 F1 调最终加权，不要直接抄最终权重而不做验证集选择。

然后做组织感知部分。用同系列指令模型做 2 阶段改写与标记校正，加规则清理丢弃畸形样本，去标记后用多说话人合成补进训练；训练时引入组织专用结束符，推理时折叠回通用结束符。跨度测试用同一批组织实体合成 500 条并记录单多跨度比例，单独报告。还需补的验证至少包括多次种子方差、噪声鲁棒性和推理开销，原文未给的 batch 与硬件需在复现报告中如实记录。

何时值得尝试，何时先别用：给研究生的收束判断

当你的任务也是从语音直接输出带标记文本，且痛点集中在多词组织、缩写全称混用或新机构名词频出时，这套组合值得尝试：增广补多样性，专用结束符给类别边界，结构损失管成对与连续。预期收益主要在组织 F1 和实体召回，附带保持较低的词错误率；预期代价是整体召回和转写可能小幅回落，需要在验证集上按主指标做显式权衡。

当你的场景对转写零退化要求极严，或数据以人名地名为主、组织极少时，先别急于引入组织专用监督，可以先只用结构约束学习观察总体 F1 与词错误率的变化，再决定是否叠加增广。跨语种、强噪声和实时部署前必须补测，因为原文证据只覆盖英文朗读库和离线评测条件。

常见误解需要澄清。第一，端到端不是去掉语言知识，而是把语言约束写进损失和标记；第二，组织 F1 高不等于每个组织都框对，多跨度合成测试好不等于自然噪声下也好；第三，没有验证的开源链接就按无公开重做，不要假设可直接下载权重。带着这些边界去读原文表格与 3 张图，才能把方法真正复述成可执行的步骤。

⚖️ 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