在村口和卫生站把话听清：DISPLACE-M 如何为一线健康对话建基准

英文题目：Benchmarking Speech Systems for Frontline Health Conversations: The DISPLACE-M Challenge

会议身份：conference:interspeech:2026:conference-paper-id:e26_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：#医疗音频 #基准设计 #语音识别 #说话人分离标注

评分：6.6/10 | 创新 1.2/2 | 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 1.1/1.5 | 开源 0.0/1.5 | 可复现 0.3/0.5 | 工程/实践 1.2/1.5

排名：前50% | 文档类型：数据集与基准

👥 作者与机构

• Dhanya E：机构信息未能从会议 PDF 纯文本可靠映射
• Ankita Meena：机构信息未能从会议 PDF 纯文本可靠映射
• Manas Nanivadekar：机构信息未能从会议 PDF 纯文本可靠映射
• Noumida A：机构信息未能从会议 PDF 纯文本可靠映射
• Victor Azad：机构信息未能从会议 PDF 纯文本可靠映射
• Ashwini Nagaraj Shenoy：机构信息未能从会议 PDF 纯文本可靠映射
• Pratik Roy Chowdhuri：机构信息未能从会议 PDF 纯文本可靠映射
• Shobhit Banga：机构信息未能从会议 PDF 纯文本可靠映射
• Vanshika Chhabra：机构信息未能从会议 PDF 纯文本可靠映射
• Chitralekha Bhati：机构信息未能从会议 PDF 纯文本可靠映射
• Shareef babu Kalluri：机构信息未能从会议 PDF 纯文本可靠映射
• Srikanth Raj Chetupalli：机构信息未能从会议 PDF 纯文本可靠映射
• Deepu Vijayasenan：机构信息未能从会议 PDF 纯文本可靠映射
• Sriram Ganapathy：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

该基准输入为手机远场麦克风采集的非医师卫生工作者（NPHW，含ASHA与Anganwadi Sevikas）与求医者双人印地语对话，输出覆盖说话人边界、带时间戳逐说话人转写、主题词与临床摘要，难点在于自然混响、重叠、自发碎片化描述与印地语对印度英语及Haryanvi、Bhojpuri、Magahi方言的代码混合。处理链先用神经分离标注切分说话人边界，再将时间戳片段送入多语言识别模型得到逐说话人转写，最后由大语言模型基于转写文本抽取主题并生成摘要。相对会议与医院英文语料，该设计把目标从干净结构化问诊转向田野目标导向对话，强调端到端可用性与可复现排行榜。原文采集约55小时，摘要称释放40小时开发集与15小时盲测集，正文明确Track-1/2用25小时开发与10小时盲测、Track-3/4另设约15小时子集含10小时开发与5小时盲测。在Track-2评测任务下，T1的tcpWER为18.63%，低于微调IndicConformer基线的tcpWER 20.23%。摘要与主题仍高度不可靠，最优ROUGE-L仅0.44与0.21量级，闭源大模型亦难生成临床准确总结，外推至印地语之外语言与更长多方对话尚未验证。原文未披露训练、推理或部署成本。

🔗 开源与复现资源

• 复现相关资源：https://huggingface.co/jiviai/audioX-north-v1 — 暂时无法访问 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？为什么一线健康对话值得单独建基准？

这篇论文的输入是真实一线健康对话录音，输出是对这些对话的 4 种理解能力度量。目标读者是刚进入语音与音频的研究生，首要任务是能复述数据从哪里来、4 个任务如何串联、基线如何搭建、评测条件是否公平。必须保留的信息包括录音场景与语言特点、4 个赛道的指标定义、开发集与盲测集的时长划分、基线模型名称与是否微调、以及主结果数字与单位。

论文研究的是印地语为主、混入印度英语并带有哈里亚纳、博杰普尔和摩揭陀方言的社区健康对话，参与者是非医师健康工作者与求医者，场景是初级卫生中心、安甘瓦迪中心、小学、村口空地、入户访视等自然环境。录音用手机远场麦克风采集，格式为 16 比特、16 千赫采样的波形文件，每段 5 到 30 分钟，通常是 2 人的目标导向对话。与医院内结构化问诊不同，这里的语音自发、嘈杂且有重叠，还包含虚弱、发热、月经与怀孕、家庭计划、登革热等具体健康主题。

已有会议与临床数据集不能覆盖这种多说话人、 code-mixed、目标导向的非正式互动，因此作者收集约 55 小时标注对话并组织公开排行榜挑战。学习时先抓住一个样本的完整旅程：一段村卫生站的录音进入日志模块得到谁何时说话的时间段，再进入识别模块得到按说话人区分的转写，最后进入主题与摘要模块得到主题词与临床摘要，每一步都有参考标注用于打分。

已有路线解决了什么？还缺哪一块？

会议语音方向已有国际计算机学会会议语料与多人会议语料等资源，支撑了自发多说话人转写研究，但那些对话不是以健康目标为中心，也不含一线场景的方言混用与环境噪声。临床自然语言处理方向有重症监护与临床评测数据集，支撑了病历文档与信息抽取，但主要是英语正式流程，且多关注听写而非目标导向的对话理解。

印度多语言语音方向近年关注方言与低资源识别，也发布了覆盖多种印度语言的大规模语料，但多为孤立句或短片段，不适合长对话与对话级识别。论文把同输入、同目标、同监督放在一起对照：同输入都是多人自然对话，但会议输入缺少医学目标；同目标都是做摘要与主题，但已有摘要多来自客服、新闻采访或脚本会议；同监督都是人工转写与标注，但已有临床监督来自干净录音与有限说话人变化。

缺口正在于此：没有公开数据集覆盖一线医疗对话的长时间、多方言、噪声重叠特性，也没有把日志、识别、主题、摘要放在同一条管线里联合评估的基准。这一定位决定了后文方法不是单点模型创新，而是数据加评测框架加可复现基线的系统工程。

四个赛道到底要机器做什么？用什么尺子量？

第一个赛道是说话人日志，要输出按说话人划分的时间边界，回答谁在何时说话，指标是日志错误率，数值越低越好。第二个赛道是自动语音识别，要输出带时间戳的词级多说话人转写，指标同时报告字错误率、词错误率与时间约束最小排列词错误率，其中时间约束最小排列词错误率先把每个说话人的话拼起来，再在时间约束下对参考与假设的说话人排列取最小词错误率，因此能联合反映听写与说话人归属。

第三个赛道是主题识别，要输出对话涉及的健康主题，指标是 Rouge-1 与 Rouge-L，前者看临床关键词一元重叠，后者看最长公共子序列兼顾词序与句子结构。第 4 个赛道是医学对话摘要，要输出保留医学上下文的简洁摘要，指标是 Rouge-L。举例来说，假设一段对话里健康工作者问发热几天、求医者回答 3 天并提到咳嗽，理想系统应把发热段归给求医者并转写正确，再抽出急性感染主题并在摘要里保留发热时长与咳嗽。

论文把 4 个任务定义为相互衔接：日志的预测时间段指导识别分段，识别的按说话人转写作为主题与摘要的输入，评分时日志用参考时间段比预测时间段，识别用参考按说话人转写比预测转写，主题与摘要用参考文本比预测文本。

基线全景：一段录音如何走完四个模块？

基线采用级联做法，先做日志再做识别，最后做主题与摘要。原始健康对话音频同时进入日志模型与识别模型，日志输出预测时间标记文件，识别输出按说话人转写，主题与摘要模块只读转写文本不直接听音频。这种安排的理由是保持各赛道可独立替换与评分，同时能暴露误差传递：日志切错会直接拖累识别的说话人归属，识别写错医学词会直接拖累主题与摘要。评分分支与预测分支并行：参考时间标记与预测时间标记比出日志错误率，参考按说话人转写与预测转写比出时间约束误差，参考主题与预测主题比出 Rouge，参考摘要与预测摘要比出 Rouge-L。

说话人日志 × speaker diarization： 说话人日志即 speaker diarization，负责回答谁在何时说话，把连续录音切成按说话人归属的时间段；它与后级识别搭配的原因是多说话人对话必须先分段才能做按说话人计分的转写，组合后新增的作用是让转写错误和说话人混淆可以被 tcpWER 联合度量。

下图是理解全系统的关键，它把上述数据流与评分点画在同一张图上，建议先看主路径再看评分旁路。

看图路径： 1. 从左侧原始健康对话音频箭头出发，依次经过黄色日志块与红色识别块；2. 确认日志输出的预测 RTTM 同时送往 DER 评分与识别模块；3. 观察识别输出的按说话人转写如何分叉到主题识别与医学对话摘要；4. 核对右侧参考主题与参考摘要分别对应 Rouge-1 与 Rouge-L 评分框

论文图 1。原论文 Figure 1：“DISPLACE-M Baseline system development pipeline which involves a cascaded approach of speaker diarization (SD), ASR and topic identification / summarization modules.”。

从图中可见主路径从左到右是原始音频经日志到识别再到两个下游文本任务，评分旁路从下方与右侧汇入。日志框输出两路，一路向下与参考时间标记汇合计算日志错误率，一路向右作为识别的切分依据并叠加原始音频箭头。识别框输出两路，一路向下与参考按说话人转写汇合计算时间约束误差，一路向右分叉到主题识别与医学对话摘要。右侧主题框向上输出预测主题与参考主题汇合计算 Rouge-1，摘要框向下输出预测摘要与参考摘要汇合计算 Rouge-L。这种画法直接对应挑战要求的提交格式：日志按时间标记格式，识别按带时间的词序列格式，主题与摘要按文本格式。

日志与识别基线用了什么模型？参数如何设置？

日志基线是 DiariZen 基础变体，流程接近常用日志工具链。第一步用端到端神经日志模型在 8 秒片段上做局部日志，第二步用凝聚层次聚类把片段级说话人向量聚成全局说话人。端到端部分用幂集损失训练的定制结构，说话人向量用在大人脸语音数据集上训练的残差网络提取。基线分两种配置：零样本直接推理时聚类数设为 2、最小簇大小设为 13、聚类阈值设为 0.6；用开发集监督微调时阈值调为 0.7、最小簇大小调为 30。

识别基线有两个：印度本土多语言的 Conformer 端到端模型，覆盖 22 种印度语言的大规模语料训练；以及参数量约 15 亿多的多语言编码器解码器基础模型，用网络级弱监督音频训练。两个识别模型都评测了零样本与开发集微调两种状态。

自动语音识别 × tcpWER： 自动语音识别负责把语音变成带时间戳的词序列，而 tcpWER 即 time-constrained minimum-permutation word error rate 负责在多说话人条件下先按时间约束对齐再取说话人排列最小的词错误率；二者搭配是因为普通 WER 不罚说话人归属错，组合后新增的作用是同时反映听写准度和说话人一致性。

沿一个样本走一遍更具体：假设 8 秒窗里健康工作者与求医者各说一半且中间有 0.5 秒重叠，端到端模型先在窗内标出 2 人活跃区间，向量聚类再把全录音中属于同一人的窗拼起来，得到两条时间线；识别模块按这两条时间线切出音频分别解码，再把带时间的词拼回按说话人区分的转写。若日志把重叠段全判给 1 人，识别的另一路就会漏词，时间约束误差会同时惩罚漏词与归属错，这正是该指标比普通词错误率更适合本题的原因。

主题与摘要基线如何把语音变成医学文本？

主题与摘要都采用先转写后用大模型生成的级联。主题管线先用识别系统把自发语音转成文本，再用医学微调的生成模型按提示抽出健康主题；摘要管线同样先拿识别转写，再用 3,000,000,000 参数级别的文本模型在零样本下按临床提示生成摘要。论文把具体提示词放在补充材料，正文只说明模型名称与级联顺序，没有给出提示调优的梯度路径，因此复述时只能说调用既有模型做推理，不能推定提示中每一步的内部实现。

参赛队的改进更能说明机制：主题赛道第 2 名在基线翻译加主题抽取之上，加入从原始语音估计的年龄与性别等辅助信息，例如知道求医者性别有助于区分腹痛与痛经，并在提示里显式加入这些属性；摘要赛道第 1 名先用语音活动检测切分，再把印地语语音翻译成英语后用闭源小模型按结构化临床提示摘要，第 2 名则直接把原始音频送入多模态大模型并配 6 个转写加摘要示例做少样本引导。

主题识别 × ROUGE： 主题识别负责从医患对话转写中抽出讨论的健康主题，ROUGE 负责用参考主题词与预测主题词的重叠计分；搭配原因是主题是开放文本而非固定标签，只能用词重叠近似正确性，组合后新增的作用是把医学相关度转化为可比较的 R-1 与 R-L 分数。

对话摘要 × 级联管线： 对话摘要负责把长对话压缩成保留医学要点的简短文本，级联管线负责把日志切分、语音识别转写、大模型生成按顺序串起来；搭配原因是摘要模型只读文本不能直接听重叠语音，组合后新增的作用是让上游切分与转写误差直接传导到摘要，便于端到端评估。

教学上要注意，主题的 Rouge 与摘要的 Rouge 不是同一比较对象：主题比较的是主题词表，摘要比较的是摘要句，不能把两者数值直接对比谁更难，只能各自看相对基线的提升与绝对高低。

哪些部分真正训练了？哪些只是调用？

本研究的训练动作集中在基线的领域适配与参赛队的微调，主题与摘要的大模型阶段主要是调用。本论文没有报告主题与摘要大模型的梯度更新、冻结层数或优化器设置，因此必须明确说明这些环节缺项，不能从模型名称推定它们被微调。实际发生的计算包括：日志基线在开发集上的监督微调，调整了聚类阈值与最小簇大小；识别基线在开发集上的微调，使时间约束误差明显下降。

参赛队中有人用约 1800 小时开源印地语语音加挑战开发集微调问答式识别模型，并用大模型做后处理纠错，重点改医学术语，有人对日志大变体用不同学习率分别训练卷积块与自监督表示。推理时的真实计算是：日志先局部后聚类得到全局时间线，识别按时间线解码，主题与摘要按提示生成文本。没有训练不等于确定性求解：即使参数冻结，采样解码、聚类初始化与音频切分仍可能带来波动，论文未报告多次运行方差，因此不能承诺输出确定。

领域微调 × 零样本推理： 零样本推理指不经挑战开发集训练直接用开源模型解码，领域微调指再用本挑战的印地语健康对话开发集更新模型；搭配比较的原因是要分离模型底座能力与领域适配收益，组合后新增的作用是量化在方言、 code-mixed 和噪声下适配到底带来多少可运行的误差下降。

复述时要区分已验证对照与未验证推测：微调带来识别误差下降是已验证对照，有辅助人口属性会改善主题是参赛队报告的有限解释，而更大模型必然解决摘要幻觉则是未验证推测。

数据、划分与评测条件如何保证可比？

数据采集覆盖印度哈里亚纳与比哈尔的 20 个行政区块、10 个县，由 80 名前线社区健康工作者在一线场景实地录制。标注经过多阶段人工流程，先做切分与转写的时间标记与文本校对，再由能听到音频并看到参考转写的临床医生写临床摘要，全程分段、转写与质检可追溯。时长划分是理解公平性的关键：日志与识别用约 25 小时开发集加约 10 小时盲测集，开发集又分两批发布；主题与摘要用另行整理的约 15 小时子集，其中约 10 小时开发、约 5 小时评测。

说话人总数约 260 人，年龄跨度 19 到 80 岁，语言以印地语为主并混用英语与方言。评测在公开排行榜上进行，第一阶段为 2026 年 1 月 1 日至 2 月 27 日，约 6 周，共有 12 支国际队伍注册并活跃参与。提交格式按赛道分别要求时间标记与结构化文本格式，以便自动打分。指标方向要记牢：日志错误率、字词错误率与时间约束误差越低越好，Rouge 越高越好。硬件预算与统计显著性在正文证据中未报告，这是复现时需要补记的缺项。

下表把时长与划分放在一起，便于核对实验条件是否一致。

上表数字均为原文时长写法，单位 hours 与数值同格出现，合计与分项可互相核对。日志与识别的 25 小时加 10 小时对应 35 小时总量，主题与摘要的 10 小时加 5 小时对应 15 小时子集，开发集分两批有助于对照训练与验证划分，复现时应按同一划分取数。

上游结果：日志与识别到底做到了什么水平？

先提出比较问题：在相同盲测集上，领域微调与多系统融合是否带来可运行的误差下降，闭源模型能否直接替代？公平条件是同一盲测音频与同一参考标注，指标方向是误差越低越好。下图展示了日志赛道的盲测对比，建议按颜色分组阅读，蓝色为参赛队，绿色为基线，橙色为闭源模型，不要把不同颜色直接当同条件胜负。

看图路径： 1. 先看图例确认蓝色为参赛队、绿色为基线、橙色为闭源模型；2. 再看纵轴 DER 数值越低越好，横轴从 T1 到 Gemini 依次排列；3. 对比最左侧 T1 柱与绿色 Baseline-2 柱的高度差与柱顶标注

论文图 2。原论文 Figure 2：“Comparison of Diarization Error Rate (DER %) for Track 1 Evaluation Phase-I DS task.”。

图中纵轴为日志错误率，蓝色 T1 至 T4 优于绿色微调基线，其中 T1 为 7.38、T2 为 7.56、T3 为 7.65、T4 为 7.70，绿色微调基线 Baseline-2 为 8.20，零样本基线 Baseline-1 为 9.31，橙色中 Sarvam AI 为 8.31 而 Gemini 高达 20.79，说明通用大模型不经适配不能直接做精细时间切分。第 1 名用多数据集训练加开发集微调并融合 5 个互补系统，第 2 名、第 3 名微调日志大变体并仔细划分两批开发集做训练与验证，其中第 2 名对卷积块与自监督部分用不同学习率，第 3 名用 3 阶段渐进微调。识别赛道共收到 4 份提交，两队超过基线。

微调的本土 Conformer 明显优于零样本，时间约束误差从 26.78% 变为 20.23%，最优参赛队用 approximately 1,800 hours 开源印地语加领域数据微调问答式识别模型并加后处理纠错后做到词错误率 18.15 与时间约束误差 18.63，表头单位均为%。闭源参考中通用大模型与本土语音服务在识别上接近基线水平，但未报告时间约束误差的完整对比。重提结果时要加新对照：日志的提升主要来自融合与渐进微调等工程，而识别的提升主要来自双重适配，两者代价不同，不能互相替代。

下游结果：主题与摘要为何更难？

下游比较的问题是：在给定上游转写质量下，端到端大模型与转写加大模型级联谁更能抓住医学要点？公平条件是同一开发与评测子集与同一参考文本，指标方向是 Rouge 越高越好。主题赛道收到 2 份提交，两队都超过基线。第 1 名用多模态大模型直接听原始音频做零样本主题抽取，拿到 Rouge-1 约 0.46、Rouge-L 约 0.44；第 2 名改进基线翻译与主题抽取并加入年龄性别等语音辅助线索。

摘要赛道收到 3 份提交，两队超过基线，第 1 名用语音活动检测切分加印地语到英语翻译再加结构化临床提示摘要，第 2 名用多模态大模型配 6 个示例直接从音频生成摘要。基线本身主题约 0.15 上下、摘要约 0.18 上下，闭源大模型主题约 0.40 上下、摘要约 0.21 上下，说明即使大模型也只能把摘要做到 0.20 左右。论文讨论指出，对话常含隐含症状、碎片描述与上下文依赖，需要领域知识与多步推理才能正确归纳，这是摘要成为最难任务的原因。

未胜出项也要说明：零样本本土 Conformer 与零样本大模型在识别上都不敌微调版本，通用大模型在日志上明显落后，摘要上所有系统绝对值都低，意味着不能把自动指标当临床可用性。下表汇总识别主结果的可运行策略与数字，表头单位为%，数据格保留裸值，比较保留实际可运行的微调与级联策略。

上表复用了原表表头单位与裸格写法，没有逐格追加百分号，数字精度与原表一致。微调把时间约束误差从零样本的 26.78 拉到 20.23，T1 进一步做到 18.63，T2 做到 20.10，说明领域适配有效但不同队伍代价不同，事后最优不单独列为收益，数据与配置不能替代结果。

对照与反证：去掉领域适配会怎样？换管线会怎样？

论文虽未设传统消融表，但提供了 3 组可当消融读的对照。第一组是识别的零样本与微调对照：同一本土 Conformer 从 26.78% 降到 20.23%，支持领域适配有效的判断，代价是需要收集并标注约 25 小时开发集。第二组是日志的零样本与微调对照：阈值与最小簇大小调整带来约 1 个百分点的下降，参赛队再用融合与渐进微调继续下探，代价是多系统训练与推理成本上升。

第 3 组是下游管线对照：直接听音频的端到端大模型在主题上超过转写加小模型级联，而摘要上翻译加结构化提示的级联仍有竞争力，说明不同任务对语音细节与文本推理的依赖不同。反例同样重要：闭源大模型在日志上远差于专用日志模型，在摘要上也未突破 0.21 上下，说明参数规模不能自动解决时间对齐与临床推理。

未评测边界包括：重叠语音比例、远场噪声类型、方言分布对误差的分解，以及多次运行的方差，这些在正文中没有量化，因此不能把总体趋势推广到每段录音或每一步解码。教学例子仅为例子：比如把性别线索加入提示可能帮助区分腹痛与痛经，但这来自参赛队报告的有限解释，不是因果证明，复现时需单独做去掉该线索的对照。

哪些结论还不能下？缺什么证据？

直接报告的是：上游日志与识别经领域适配后可用性提升，下游主题与摘要绝对分数仍低，摘要最难。有限解释的是：隐含症状与碎片描述导致摘要难，以及人口属性可能辅助主题，这些有机制合理性但缺少受控对照。未验证推测的是：更长评测周期或更多语言能自动解决问题，论文仅宣布第二阶段将延长 10 周并扩展印地语之外的语言，不能提前承诺效果。

缺失证据不是技术错误，但必须点名：未报告字词错误率之外的误诊率、延迟、推理开销与输出帧率，因此不能承诺这些量得到改善；未报告硬件预算、训练步数与统计检验，因此不能判断微小差距是否显著；未报告重叠率与信噪比分层，因此不能知道误差集中在何种片段。相关性不等于因果：微调后误差低不能证明模型真正理解医学，只能证明声学与词汇适配有效。

总体趋势不等于每组都成立：最优系统的平均词错误率 18% 出头不代表每段录音都达标，个别方言或嘈杂村口录音可能远差。阅读时若发现表头、图注或正文算术冲突，应明确标注冲突而不是自行编造划分来圆，本解读所用数字均保留原文精度与单位，未做四舍五入。

要复现这套基准，先做什么？去哪里找什么？

复现先做三件事：按时长划分准备数据，按格式准备提交，按指标跑通评分。数据方面，日志与识别用 25 小时开发加 10 小时盲测，主题与摘要用 10 小时开发加 5 小时评测的独立子集，说话人总数约 260 人，年龄 19 到 80 岁，录音为 16 比特 16 千赫波形。基线方面，日志用 DiariZen 基础变体并按零样本与微调两套聚类参数运行，识别用本土 Conformer 与大语音模型分别跑零样本与微调，主题用识别转写加医学生成模型，摘要用识别转写加 3,000,000,000 参数文本模型零样本生成。

评分方面，日志比时间标记得错误率，识别比按说话人转写得时间约束误差，主题与摘要比参考文本得 Rouge。资源状态是开源声明的唯一依据：本次收到的复现资源指向语音翻译模型的权重地址，但状态为本次未能确认可达，因此只能写本次未能确认可达，不能写已公开或当前可用。代码与排行榜地址在正文脚注中给出，但本次未验证可达性，复现时需自行确认版本与依赖。

还需补的验证包括：固定随机种子跑多次取均值与方差，按方言、噪声与重叠率分层报告误差，记录训练与推理耗时与显存占用，并做去掉辅助人口属性与去掉后处理纠错的对照，才能把有限解释升级为因果证据。

何时值得尝试这条路线？下一步验证什么？

当任务是一线健康对话这类目标导向、自发混语、噪声重叠的长对话时，值得尝试先做专用日志与领域识别适配，再做文本侧主题与摘要的级联，因为论文显示上游适配收益明确且可运行，而直接用通用闭源模型做时间切分会明显落后。当只有干净医院问诊或短句识别需求时，不必照搬本基准的重型级联。复现优先级是：先跑通日志加识别的级联与时间约束评分，再复现微调带来的下降，最后才调主题与摘要的提示与翻译链路。

下表第一张整理数据规模与划分，第二张整理主结果的可运行数字，两张均为 5 列以便对照条件、指标、基线与方法，表前已提出比较问题与公平条件，表后解释收益与代价。未来 10 周的第二阶段若引入更多语言，需要重新检验方言适配与医学提示的泛化，不能把印地语上的结论直接推广。记住关键超参数与信息条件：日志聚类数 2、阈值 0.6 到 0.7、最小簇大小 13 到 30，识别需领域开发集，主题与摘要依赖上游转写质量。

最终判断是：这套基准把从听到懂的链路拆成可替换、可打分的 4 段，让后来者能定位瓶颈在切分、听写还是推理，而当前瓶颈在推理侧的临床归纳。

⚖️ 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