英文题目：Towards Robust Speech Deepfake Detection via Human-Inspired Reasoning

会议身份：conference:interspeech:2026:conference-paper-id:dvirniak26_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：#数据集 #SFT #可解释性 #语音 #音频深度伪造检测

评分：7.5/10 | 创新 1.2/2 | 技术严谨 1.0/1.5 | 实验充分 1.0/1.5 | 清晰度 0.8/1 | 影响力 1.0/1.5 | 开源 1.2/1.5 | 可复现 0.3/0.5 | 工程/实践 1.0/1.5

排名：前25% | 文档类型：数据集与基准

👥 作者与机构

  • Artem Dvirniak：机构信息未能从会议 PDF 纯文本可靠映射
  • Evgeny Kushnir：机构信息未能从会议 PDF 纯文本可靠映射
  • Dmitrii Tarasov：机构信息未能从会议 PDF 纯文本可靠映射
  • Artem Iudin：机构信息未能从会议 PDF 纯文本可靠映射
  • Oleg Kiriukhin：机构信息未能从会议 PDF 纯文本可靠映射
  • Mikhail Pautov：机构信息未能从会议 PDF 纯文本可靠映射
  • Dmitrii Korzh：机构信息未能从会议 PDF 纯文本可靠映射
  • Oleg Rogov：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

语音伪造检测的输入为待判语音波形，输出为真伪二分类及可理解依据，难点在于跨合成器与跨域分布偏移大且黑盒分数缺乏人类可感知线索。本文提出人类启发推理框架，先以41414条音频与124410条人工标注构建推理数据集并经Qwen-32B改写为思维链轨迹以提供监督信号，再用硬标签与思维链监督微调让大音频语言模型基于上述轨迹输出思考、伪造线索标签与答案三段结构，最后对该结构化输出以音频接地扰动与组相对策略优化强化声学依据。与仅输出硬标签的大音频模型相比，该链条把分类决策显式绑定到可听伪影描述与分类标签集合，提升了可审计性。在包含20000条语音的Test-1-HL上，SALMONN-7B硬标签模型达到94.5%准确率、88.6%平衡准确率、85.7% F1，推理模型Train-2-R达到93.6%准确率、89.6%平衡准确率、85.0% F1，均超过Wav2Vec2-AASIST基线的92.9%、84.0%、76.7%。该结论的适用边界受限于英俄混合及ASVspoof 5相关分布，对未见高保真商业合成器尚未验证且仍表现脆弱。原文未披露训练、推理或部署成本。

🔗 开源与复现资源

🧭 深度解读

输入是什么？要解决的矛盾是什么？

本文输入是一段待判定的语音波形，目标是输出它是真实人声还是合成伪造，并进一步给出人能听懂的理由。论文要解决的中心矛盾是：一方面生成式语音越来越像真人，传统二分类检测器在新合成器和新信道下泛化差；另一方面风险敏感场景需要可解释的判断，但现有检测器大多只给一个分数或标签，不说依据。本文默认从原文独立写作，事实只依据论文正文证据与本次收到的官方原图像素。输出是 1 篇面向刚进入语音领域研究生的中文技术解读，保留可复述的方法动作、实验条件与关键数字，不做营销式判断。

白话说，语音伪造检测就是听一段话判断是真人说的还是机器合成的，英文叫 Speech Deepfake Detection，缩写为 SDD。大音频语言模型是大语言模型加上听觉编码器的系统，英文叫 Large Audio Language Model，缩写为 LALM，它能同时接收音频特征和文字指令，然后生成文字回答。传统做法是训练一个声学编码器加分类头，直接输出真假；本文选择让 LALM 先写思考过程，再列线索标签，最后给结论，目的是把判断依据暴露出来以便核查。

语音伪造检测 × 大音频语言模型： 语音伪造检测负责判断一段语音是真实人声还是合成伪造，大音频语言模型负责把音频编码与文本指令一起理解并生成回答；前者提供任务目标和评测标准，后者提供听音频加说理由的能力，两者搭配才可能既判对又讲出人能听懂的依据。

需要先讲清学习依赖：只有先理解任务的分布偏移来源，才能理解为什么要收集多源数据；只有先理解标注流程与质量过滤，才能理解思维链监督的输入是什么；只有先理解二分类与推理联合训练的格式，才能理解接地与强化优化在改什么；最后才能正确读实验表中的准确率、均衡准确率、F1 与等错误率。例子仅为教学说明：比如把检测器比作安检员，传统安检只说通过或拦下，而本文要求安检员同时指出哪件行李触发了报警，这个比喻对应到真实组件就是分类头对应放行决定，推理轨迹对应报警原因记录，不能把比喻当作性能证明。

已有路线做了什么？本文的缺口在哪里？

论文把相关工作分成 3 条线。第一条是竞赛与结构驱动的检测器改进，包括专用前端、图注意力网络、自监督音频编码器、架构修改，以及增强、优化器选择与表示学习。作者报告这类方法在 ASVspoof 等竞赛推动下取得进展，但在跨伪造方法、跨域与变换下仍泛化不足。

第二条是用大音频语言模型做检测，以 ALLM4ADD 为代表，它先报告 Qwen 与 Qwen2-Audio 零样本表现弱，再用简单的输出真或假的提示做微调，在多个基准上达到或超过小模型检测器，但未评 ASVspoof 5，且主要做硬标签分类，没有系统研究推理与可解释性。第 3 条是可解释与推理审计，包括对推理轨迹在扰动下是否稳定的分析、语音质量评估与硬标签检测中的解释尝试、时间定位解释基准，以及同时推理伪造机制与时间定位的工作。

本文指出的缺口很具体：一是缺少带高质量人类解释的开源数据集用于训练与评估；二是现有大音频语言模型在零样本与少样本下做语音伪造检测表现差，导致其推理轨迹不可靠；三是已有推理审计多是评扰动敏感性，而不是改进标准检测协议。本文的定位不是再换一个更大的分类骨干，而是补上人类标注的推理数据，并把硬标签监督与思维链监督、接地与强化学习组合成可训练的框架。论文还引用了人类本身也难做检测的研究作为背景，说明只追求准确率不够，需要把人类可感知的线索显式建模。

任务形式与成功标准是什么？

形式化地说，输入是一段时长被统一裁剪或补齐到 10 秒的语音，模型要输出二分类结论。硬标签任务只要求输出固定格式的最终答案，例如最终答案为真或假；推理任务要求输出结构化 3 段：思考段、线索段与答案段。思考段是自由文本，线索段是从 14 类预定义伪造原因中选择的子集，答案段是二分类结论。成功标准分两类：分类标准用准确率、均衡准确率、以真实类为正类的 F1，以及等错误率；推理标准用线索集合的 Jaccard 相似度，以及用大模型裁判在覆盖度、相关性、逻辑一致性与有用性上打分。

关键约束是 ASVspoof 5 的不同划分不共享域且生成器不重叠，并且比更早的数据集包含更现代的生成器。这意味着在训练划分上调好的阈值与特征不能直接搬到测试划分，必须看跨生成器的泛化。另一个约束是推理必须与预测自洽，论文明确用逻辑一致性来检查思考是否支持最终答案。沿一个样本走一遍：输入一段可疑语音，先经音频编码得到表示，再与文字指令拼接送入语言模型，模型先写它听到了什么异常，再勾选对应的线索编号，最后输出真或假；评测时既看最后标签对不对，也看中间证据是否与音频和标签一致。

HIR-SDD 全景：数据、训练与优化如何串起来？

本文提出的方法叫 HIR-SDD，全称是人类启发推理的语音伪造检测框架。它由四部分串成一条链。第一部分是人类标注的数据集，覆盖真与伪造语音，既保留二分类标签，也保留自由解释与 14 选多的线索勾选。第二部分是二分类与思维链的监督微调，用同一套大音频语言模型骨干，分别学会只输出答案和输出完整结构。第三部分是音频接地，通过在音频中确定性嵌入高斯噪声、时间掩蔽与增益调整等可感知扰动，迫使推理锚定到真实听觉证据。第四部分是用 GRPO 做强化优化，用格式、分类正确性与人类偏好裁判 3 类奖励，从多个采样中选出更好的轨迹。

从动作顺序看，先收集并清洗人类标注，再做监督微调得到能写格式正确的模型，接着用接地数据让模型学会提到真实扰动，最后用强化优化提升多样性与信息量。论文强调推理的最终决定强烈受前文轨迹影响，因此等错误率这类只看分数的指标对推理模型是冗余的，应同时看分类与推理质量。这个全景决定了后面的阅读顺序：先看数据怎么来，再看模型怎么训，再看评测怎么算。

模型骨干与输出格式：每部分具体做什么？

骨干选择上，论文用 SALMONN，它把 Whisper 与 BEATS 两种音频编码器与 Q-Former 适配器接到 Vicuna-7B 或 13B 语言模型上。输入是拼接后的音频特征与文字指令，训练时只对补全部分的词计算交叉熵损失，提示词部分被掩掉。对比基线是强的传统模型 Wav2Vec2-AASIST。微调方式是在语言模型的所有线性投影上加 LoRA，论文报告 SALMONN-7B 使用秩 128、缩放系数 256、丢弃率 0.2，学习率从 1e-6 经 5000 步热身升到 1e-4 再衰减到 1e-5，音频统一处理到 10 秒。

输出格式是方法可复述的关键。硬标签微调要求模型输出固定句式的最终答案；思维链微调要求输出 3 段式结构，思考段放自由推理，线索段放检测到的伪造类别列表，答案段放二分类预测。论文探索了两种初始化：从原始大音频语言模型直接做推理微调，或从硬标签微调后的检查点继续做推理微调。训练时排除了标注错误的样本做思维链学习，因为错误的解释不可靠。

思维链 × 硬标签微调： 硬标签微调只监督最终输出真或假，分工是把分类边界学准，思维链则额外监督中间的思考与线索标签，分工是把判断过程显式化；两者搭配的理由是只学标签容易学捷径而理由不可查，加上思维链后模型必须先组织证据再下结论，新增作用是可检查的解释通道。

监督微调 × GRPO： 监督微调用人类改写后的推理轨迹做交叉熵学习，分工是教会格式与基本线索表达，GRPO 用奖励函数做强化优化，分工是在多个采样中偏好格式正确、分类正确且更符合人类偏好的轨迹；搭配原因是监督只能模仿已有写法，强化能按质量排序做 2 次筛选，新增作用是提升轨迹多样性与信息量。

音频接地 × 幻觉推理： 幻觉推理指模型说得流畅但所说线索在音频中并不存在，音频接地的分工是把可控扰动确定性地嵌入音频，迫使思考与标签锚定到可感知的声学证据；搭配原因是只靠文本奖励无法发现听觉幻觉，加入接地后模型必须提到真实可听的变化，新增作用是让解释更少背诵模板、更多对应输入。

标注、清洗与训练流程如何可复述？

数据构造先于模型训练。音频主要来自多个开源语音伪造与真实语音来源，包括 ASVspoof 5、PyAra、LibriSecVoc、MLAAD、DFADD 与 M-AILABS，以及 Golos、SOVA 与俄语 LibriSpeech 中的真实语音，还加入了 SpeechEval 中的已标注子集。论文还用开源 XTTS-V2 与若干 ESpeech 模型生成音频，并为增强测试集多样性合成了数千条专有 ElevenLabs 模型语音，以逼近真实条件。标注者被要求是英语或俄语母语者并最好精通另一门语言，标注在随机顺序下进行。

标注动作为：先判断是原始人类语音还是合成语音；若选真实，则简述为何听起来自然，例如真实停顿、自然语调、呼吸与表达变化；若选合成，则写自由解释并从 14 个预定义原因中勾选，还被要求详细说明线索在音频中的位置与表现形式。14 类包括流畅性缺失、非自然停顿、词间停顿均匀、异常语调、说话风格变化不足、常见词重音错误、常见词发音错误、口音异常、音色异常、语速过快、缩写误读、印刷错误被念出、叠词重复等，第 14 类为其他并需补充说明。不确定时要求同时写可疑与自然之处，短句如听起来正常会被拒收。

清洗分 3 步：先去掉分类准确率低于 75% 的标注者，再去掉类别预测错误的样本，最后每人抽查 30 到 50 条，按总体准确率分为高质量与中等质量。清洗后保留 41414 条音频的 124410 条标注，其中伪造 32045 条、真实 9369 条，共 37 名标注者参与，收集到 120258 条非空评论，平均长度 12 个词。人类标注与问卷选项被翻译成英文并用 Qwen-32B 后处理成推理风格轨迹，另抽 100 条做保真检查以确认改写与原始人类标注一致。研究经机构审查委员会批准，标注匿名、按件计酬折合约每小时 8 到 10 美元。

训练与优化动作紧随其后。硬标签监督在 Train-1-HL、Train-2-HL 或两者合并上训练；思维链监督在 Train-2-R 上训练完整 3 段输出。接地阶段在音频中嵌入确定性扰动以鼓励思考与标签对应到可听证据。GRPO 阶段每条样本生成 6 条不同推理轨迹计算奖励，奖励权重为格式 0.2、类别 0.7、裁判偏好 0.1，裁判用 Qwen2.5-32B 按覆盖度、相关性、逻辑与有用性打 0 到 10 分。论文未报告梯度是否截断到音频编码器等细节，复现时应把 LoRA 作用域、损失掩码与采样数作为必须核对的缺项，不要从模型名推定全部参数都更新。

数据划分、指标与评测条件是什么？

要理解结果先要固定划分口径。无推理的硬标签数据集记为 Train-1-HL，验证集 Val-1-HL 取 ASVspoof 5 开发集整体，测试集 Test-1-HL 从 ASVspoof 5 评测子集中随机抽 20000 条，其中伪造 15943 条、真实 4057 条。推理数据集切分为训练 114k、验证 8k、测试 1k，可分别用于二分类或思维链训练与评估，例如记为 Train-2-HL 与 Train-2-R。论文强调 ASVspoof 5 各划分域不同且生成器不重叠，这是泛化测试成立的前提。

指标方向需要 1 次讲清。准确率越高越好，均衡准确率越高越好，以真实类为正类的 F1 越高越好，等错误率越低越好。推理侧 Jaccard 相似度越高表示预测线索集合与真实集合重叠越多，裁判打分越高表示覆盖、相关、逻辑与有用性越好。裁判在 GRPO 训练与最终评估中用同一套标准，最终评估用 GPT-5.1 在 1000 条推理样本上跑 5 次取均值与波动。

下图是理解标注偏斜的关键，它展示 14 类伪造原因的计数分布，是后续讨论标签噪声与 Jaccard 基线的前提，读图时应先确认横轴为计数、纵轴为原因编号，再看哪几类占主导。

看图路径： 1. 先看纵轴 Reason ID 从 1 到 14 与横轴 Count，确认这是 14 类伪造线索的计数分布；2. 再对比最长的第 9 条与其他条的相对长度，判断标注中最常见的感知线索；3. 观察第 11、12、13 条几乎为零的短条，思考稀有类别对训练覆盖的影响；4. 结合第 14 条 Other 的高度，理解开放补充项在真实标注中的占比

原论文 Figure 1：Distribution of obtained reasons from Listing 1.

论文图 1。原论文 Figure 1：“Distribution of obtained reasons from Listing 1.”。

从像素可见，横轴为计数从 0 到 35000 以上，纵轴为原因编号 1 到 14，均为蓝色横条。第 9 条非典型音色特征最长，接近 38500 计数，明显主导分布；第 4 条异常语调与第 5 条说话风格变化不足次之，第 1 条流畅性缺失与第 2 条非自然停顿居中，第 14 条其他补充也较高，而第 11、12、13 条几乎看不到条形，说明缩写误读、印刷错误念出与叠词重复在当前标注中极为稀有。这种长尾分布解释了为什么模型容易学会常见音色与语调线索，而稀有类别几乎没有训练信号，复现时不能把总体 Jaccard 平均当作每类都好。

资源可用性与复现前必须核对的信息条件

资源状态是正文开源声明的唯一依据。代码资源当前可用，已通过 200 状态确认，地址为论文注明的代码仓库；第三方 M-AILABS 数据集资源当前可用，同样通过 200 状态确认；推理数据集资源本次未能确认可达，必须写本次未能确认可达，不能写已公开可下载。复现前应先确认三件事：能否拿到推理数据集的训练、验证与测试切分，能否复现 10 秒裁剪补齐与 LoRA 作用域，能否复现 3 段式输出解析器以抽取答案与线索集合。论文提供了 LoRA 秩与学习率调度等关键超参数，但未完整报告增强范围、训练步数上限与早停规则，复现时应把这些记为待补验证项。

Jaccard 相似度 × LLM 作为裁判： Jaccard 相似度负责度量预测线索集合与真实线索集合的重叠程度，分工是客观算标签对错，LLM 作为裁判负责从覆盖度、相关性、逻辑一致性和有用性打分，分工是评价自由文本推理质量；搭配原因是标签对不等于话说得好，文本好也不等于标签准，两者结合才能同时看到分类依据与表达质量。

主结果：在相同测试条件下谁更好？代价是什么？

比较问题是：在 Test-1-HL 同一测试集上，传统强基线与大音频语言模型谁的分类更好，推理模型是否保持分类能力。下表整理数据集规模口径，目的是固定分母后再谈准确率，避免把不同划分的数字直接对比。指标方向为标注数与音频数越大表示监督越多，伪造与真实之比决定类别不平衡程度。

划分总标注数音频数伪造数真实语音数
推理训练验证测试切分114k8k1k训练验证测试 3 段

表中第二行把 114k、8k、1k 分别对应训练、验证与测试 3 段，目的是说明推理监督的数据量级；第三行固定测试集的类别不平衡，伪造远多于真实，因此只看总体准确率会高估，必须同时看均衡准确率与 F1。代价在后文展开：数据虽大但原因分布高度偏斜，稀有类别几乎没有信号。

分类主结果的比较条件是同一 Test-1-HL。论文报告 SALMONN-7B 在二分类上超过传统 Wav2Vec2-AASIST，且与公开排行榜上的开源模型相当或更好。下表整理论文直接报告的等错误率与推理质量数字，目的是把可部署的分类收益与解释质量分开呈现。数值越大在 Jaccard 与裁判分上越好，越小在等错误率上越好。

条件指标基线本方法比较对象
Test-1-HL 二分类等错误率15.7%13.2%传统基线对 SALMONN-7B
Test-2-R 线索集合Jaccard 相似度0.62640.6468推理监督对 GRPO 检查点
Test-2-R 自由文本裁判均分5.12±1.475.74±1.49推理监督对 GRPO

表后解释需要同时说收益与代价。主要收益是分类侧等错误率下降 2.5 个百分点，相对降幅约六分之一，支持大音频语言模型经微调后可作为强检测器的判断。但代价同样明确：线索 Jaccard 仅从 0.6264 升到 0.6468，基本不变；裁判分从 5.12 升到 5.74，论文自己定性为小而非显著，且裁判标准故意严格所以绝对分偏低。未胜出项必须点名：只做推理监督而不做强化的检查点在硬标签上不如纯硬标签检查点。

合并 Train-1-HL 与 Train-2-HL 训练并未超过分开训练；从硬标签检查点继续做推理监督的假设未被证实。这些反例说明推理能力不是免费获得的，需要额外的接地与强化步骤。

哪些组件真正起了作用？失败条件在哪里？

论文按组件做了有源对照。第一组是训练稳定性对照：大音频语言模型表现出弱训练稳定性与严重过拟合倾向，缓解动作是减少训练迭代与学习率、增大丢弃与增强范围。这支持复现时不能照搬大语言模型常用的大学习率，必须按论文的热身与衰减来。第二组是数据合并对照：在合并数据集上训练不如分开训练的检查点，说明简单堆数据不能解决域偏移。第 3 组是初始化对照：从硬标签检查点启动推理训练并未带来预期增益，说明分类边界的知识不能自动转成好的解释。

第四组是接地与强化对照。接地没有显著提升分类指标，但使思维链轨迹更多样；GRPO 进一步提升推理的信息量与分类指标。论文展示的定性例子支持这一点：模型能提到具体词的发音与背景噪声，例如把 Europe 的奇怪发音作为证据，或把电视背景声作为真实感的依据。但失败条件同样被报告：对训练中未出现的高保真现代合成系统，推理模型仍吃力，常把伪造音频描述成真实语音；此时只能把真实类当作弃权类来训练模型输出无可听伪影，但这不等于解决了未见生成器问题。

另一类特有细节是标注噪声。同一音频下不同标注者对单个原因的 Fleiss kappa 仅 0.05 到 0.56，说明细粒度勾选分歧大；但成集合的平均成对 Jaccard 达 0.78，可作为模型 Jaccard 的参考上限。这解释了为什么 0.64 左右的模型分看似不高，但在噪声上限下已接近可比区间。复现时应保留这一口径：不能用单标签一致性要求模型，必须用集合重叠来评。

边界与未验证的推测有哪些？

论文直接报告的局限有三点。第一，推理模型仍难处理训练未覆盖的高保真合成器，这是分布外泛化的根本限制，论文在结论中明确把提升对未见生成器与域偏移的鲁棒性列为未来工作。第二，推理质量的绝对分偏低，且 GRPO 带来的提升在统计上不显著，说明当前奖励与裁判仍不足以稳定教会好的解释。第三，思维链的最终决定强烈受前文轨迹影响，一旦轨迹幻觉，结论也会被带偏，因此不能把等错误率单独当作推理模型的可靠性证明。

需要用可能或待验证表达的部分是：接地与强化可能通过增加多样性改善可靠性，但论文未测量误判率在部署阈值下的变化，也未报告训练资源、推理开销、输出帧率与实际延迟，因此不能承诺这些量得到改善。相关性不等于因果：推理轨迹与正确答案同时出现，不代表轨迹就是模型真正使用的因果路径，论文也提醒思维链主要起经验机制作用。缺失证据不是技术错误，例如未报告音频编码器是否冻结、增强的具体参数与早停步数，复现时应如实记为缺项，而不是从模型名称推定实现。

复现先做什么？按什么顺序核对？

复现应按学习依赖倒排检查清单。第一步固定数据：确认能否获得推理数据集的 114k、8k、1k 切分与硬标签测试集的 20000 条组成，核对伪造与真实的计数口径，复现 10 秒裁剪补齐。若数据集本次未能确认可达，应先用论文列出的开源来源自行重建子集，并记录生成器不重叠是否成立。第二步固定格式：实现 3 段式解析器，能从生成文本中抽出思考、线索列表与答案，格式错误直接判低分以复现 0.2 的格式奖励。第 3 步固定训练：按秩 128、缩放 256、丢弃 0.2 配置 LoRA，只监督补全词，复现从 1e-6 经 5000 步热身到 1e-4 再到 1e-5 的学习率调度，每样本采样 6 条轨迹做 GRPO。

第四步固定评测：分类侧算准确率、均衡准确率、F1 与等错误率，推理侧算 Jaccard 与裁判分，裁判用同一套覆盖度、相关性、逻辑与有用性标准。先复现等错误率从 15.7% 到 13.2% 的分类差距，再复现 Jaccard 从 0.6264 到 0.6468 基本不变的细节，最后复现裁判分 5.74 对 5.12 的小幅差异。代码开源不等于权重可下载与系统可运行，复现报告应区分代码可用、数据本次未能确认可达、第三方数据可用 3 类状态，并说明缺失的增强范围与训练步数如何补做对照。

何时值得尝试这种做法？还需补哪项验证？

当任务同时需要分类与可检查的理由时值得尝试，例如风控复核需要指出是哪类伪造线索触发了拦截。此时应先做硬标签微调拿到分类上限，再在清洗后的人类推理数据上做思维链微调，接着加入可感知的接地扰动，最后用小规模 GRPO 筛选更好的轨迹。若只有分类需求而无复核需求，则不必引入 3 段式输出与裁判开销，直接用硬标签模型更划算。

还需补的验证很具体：一是在更新、更强的合成器上补跨生成器测试，确认等错误率的下降是否保持；二是对稀有原因类别补过采样或加权，观察 Jaccard 在长尾上的变化；三是补人类盲评与自动裁判的一致性，以及部署延迟与误拦率的测量，才能把解释质量与业务代价对应起来。回到中心矛盾，本文的价值不在于把准确率推到极限，而在于用人类可感知的线索把判断过程打开，代价是推理质量提升缓慢且对未见高保真合成仍脆弱。研究生复述时应能说出 3 段式格式、LoRA 与奖励权重、划分与指标方向，以及用等错误率、Jaccard 与裁判分 3 组数字支撑判断，这才算真正读懂了方法。

⚖️ 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