只给分不够：用保覆盖区间与保序建模重做 MOS 预测

英文题目：ConformalMOS: Uncertainty-Aware MOS Prediction with Conformal Intervals and Ordinal Modeling

会议身份：conference:interspeech:2026:conference-paper-id:elelu26_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：#统计分析 #鲁棒性 #语音 #语音质量评估

评分：6.0/10 | 创新 1.2/2 | 技术严谨 1.2/1.5 | 实验充分 0.8/1.5 | 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

• Kehinde Elelu：机构信息未能从会议 PDF 纯文本可靠映射
• Joshua E. Siegel：机构信息未能从会议 PDF 纯文本可靠映射
• Mohammadali Saffary：机构信息未能从会议 PDF 纯文本可靠映射
• Tashfain Ahmed：机构信息未能从会议 PDF 纯文本可靠映射
• Simeon Babatunde：机构信息未能从会议 PDF 纯文本可靠映射
• Ebuka Okpala：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

语音质量评估需从波形预测多人平均意见分（Mean Opinion Score，MOS），难点在于评分主观噪声大且点估计无法表达不确定性。本文方法链分4步：冻结上游编码器抽取帧级嵌入并做时域均值池化得到定长向量，序数预测头输出K个分数仓概率并以期望求得标量MOS，训练以高斯平滑软目标约束邻仓连续性，标定阶段用保留标定集残差分位数生成固定半宽并裁剪至1至5。与仅输出点估计的UTMOS和FUSE-MOS相比，机制差异在于后处理共形校准提供有限样本覆盖保证而非启发式方差。标定沿用语音挑战划分并在开发池内留出497个样本估计残差分位数以确定区间半宽，评测同时报告覆盖率与平均区间宽度以兼顾有效性与锐度。在BVCC基准测试集下，M2D2的MSE为0.080，低于FUSE-MOS的MSE 0.086。其结论适用边界受限于域内BVCC验证，跨系统泛化与域外鲁棒性尚未验证，波形骨干差异仍会导致校准误差变化。原文未披露推理与部署成本，训练单次约2小时。

🔗 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，为什么单点分数不够用？

这篇论文研究的输入是一段合成或转换后的语音波形，目标是预测人类听众会给的平均意见分。平均意见分是多个听众在 1 到 5 分尺度上打分的平均值，数值越高表示听感越好。输出在传统做法里只有一个标量，例如 3.72 分，调用方直接拿它做模型选择或上线判断。

问题在于人类打分本身有主观性和噪声，同一段语音在不同口音、噪声条件和听众偏置下会得到不同分数。论文在引言中强调，即使是最好的系统在 utterance 级别与人类分数也只有中等相关，说明自动估计很难完全复刻人类判断。如果只给点估计，调用方不知道这个 3.72 分是 10 个人高度一致，还是 5 个人给 5 分、5 个人给 1 分平均出来的，两种情况的风险完全不同。

平均意见分 × 共形预测： 平均意见分负责回答语音有多好，是多人打分的平均值；共形预测负责回答这个平均值有多不确定，用校准残差算出的 1/2 宽给出区间。两者搭配的原因是主观打分天然有噪声，单点数无法表达分歧，而共形区间在校准集与测试集可交换时能保证经验覆盖率接近名义覆盖率，组合后系统既输出分数又输出可验证的可靠性。

开场需要保留的关键信息是：本文只研究文本转语音和声音转换质量的 MOS 预测，不研究音乐生成或通用音频理解；方法是在已有 MOS 模型之上加不确定性区间和保序建模，而不是从零设计新的声学编码器；实验只在 BVCC 域内完成，跨域鲁棒性未测。读者学完应能复述一个样本的完整链路：波形进入冻结上游编码器得到向量，向量进入序预测头得到 K 个仓的概率，概率按仓中心加权求期望得到点估计，点估计再加减校准 1/2 宽并裁剪到 1 到 5 得到区间。

已有路线各自解决了什么，还缺哪一块保证？

第一条路线是迁移学习加自监督表示。论文提到的 UTMOSv2 把语谱图图像编码器和自监督语音嵌入结合，波形与语谱图融合以及跨模态编码器进一步提升精度。这条路线解决的是表示问题：在标注只有数千条时，用大规模预训练带来的声学和韵律知识弥补数据不足。它的输出仍然是点估计，评价用 MSE、线性相关、斯皮尔曼秩相关和肯德尔秩相关。

第二条路线是概率化尝试。论文引用了 FUSE-MOS 和不确定性感知的 MOS 预测工作，它们尝试建模不确定性，例如融合语音嵌入并给出某种不确定性度量。这条路线解决的是有没有不确定性数字的问题，但论文明确指出它们没有提供形式化保证，不能保证预测区间以多大概率包含真值。换句话说，它们能说我不太确定，但不能说我的区间在长期运行中有 95% 的时间是对的。

第三条路线是共形预测本身。它是一个分布无关的框架，只要校准集和测试集满足可交换性，就能给出有限样本覆盖保证。论文引用 Shafer 和 Vovk 的教程以及 Lei 等人的分布无关预测集工作，把它作为缺失的那块保证。与启发式不确定性相比，共形区间的宽度直接来自校准残差的分位数，计算是事后的、开销很小的。论文因此没有与启发式方法做同条件胜负比较，理由是启发式方法缺乏有限样本覆盖保证，对比覆盖率不公平。

同输入、同目标、同监督的对照应这样理解：UTMOS 和 FUSE-MOS 与 ConformalMOS 都是波形进、MOS 分出、在 BVCC 上有监督训练，属于可比的点估计基线；而共形校准部分没有可比的启发式对照，因为保证类型不同。初学者容易误以为区间越窄越好，实际上窄而覆盖不足是不可靠的，必须同时看覆盖率和宽度。

要同时做到准和可信，需要回答哪两个问题？

第一个问题是如何让训练目标尊重分数的顺序。MOS 的 1 到 5 不是无序的 5 个类别，把 3.9 预测成 4.0 应该比预测成 2.0 受到更小的惩罚。如果用独热分类，3.9 和 2.0 都被当成全错；如果用直接 L1 回归，又与排序类指标如 SRCC 对不齐。论文因此把连续 MOS 离散化为 K 个等宽仓，仓中心从 1 到 5 均匀铺开，再用高斯平滑把独热变成软分布，让相邻仓分到部分正确性。

第二个问题是如何在不改主模型、不做分布假设的前提下给出可验证的区间。要求是事后、便宜、可复算：训练好点估计后，只用一个独立的校准集算残差分位数，测试时每个样本都用同一个 1/2 宽加减，再裁到合法范围。保证的适用条件是可交换性，即校准样本和测试样本来自同一分布且顺序可置换。一旦出现明显的分布偏移，例如从 BVCC 的 187 个系统换到完全没见过的合成器，保证在理论上不再成立，区间可能变宽以示警，但覆盖率不再被承诺。

举一个教学用的例子，不代表论文数值：假设某条语音真值是 3.5，模型点估计是 3.6，校准得到的 1/2 宽是 0.8，则区间是 2.8 到 4.4 并仍在 1 到 5 内，真值落入区间记 1 次覆盖。例子只是为了说明计数方式，论文真正的 1/2 宽和覆盖率要看 BVCC 上的校准实验。

一个样本如何走完从波形到分数加区间？

先跟着一个样本走全程。输入是一段 WAV 波形，上游编码器将其映射为高维表示。如果编码器输出的是帧级序列，就对时间维做均值池化得到定长向量。预测头是一个带层归一化和丢弃的轻量两层多层感知机，它输出 K 个仓的对数几率，转为概率后按仓中心加权求期望，得到 1 到 5 之间的标量点估计。训练时用预测概率与高斯平滑软目标之间的 KL 散度加一个辅助 L1 损失做稳定。推理时再做一步：点估计加减校准 1/2 宽，超出 1 到 5 的部分裁掉，得到最终区间。

下面这张总览图把数据准备、预测模型和输出链路放在一张图里，先看它再读组件细节会更顺。图中左侧是数据集准备，中间是预测模型，右侧是输出链路，箭头方向就是样本流动方向。

看图路径： 1. 先从顶部 Audio 出发，沿箭头走 WAV Loader 到训练与校准加载器的分支；2. 再看中间绿色 Prediction Model 框内上游模型、预测头与共形校准的上下堆叠关系；3. 最后看右侧蓝色框内 Logits 到 Prob 再到 Pred MOS 的纵向箭头，确认点估计的输出链路

论文图 1。原论文 Figure 1：“Overview of the proposed ConformalMOS framework.”。

从像素可见的内容解释这张图：顶部灰色条是 Audio 输入，向下箭头进入左侧黄色大框的数据集准备区。该区又分成左右两个虚线子框，左侧子框纵向堆叠 WAV Loader、Preprocessor 和 Build Loaders，右侧子框纵向堆叠 Train Loader、Calibration Loader 和 Valid Loader，左侧输出连到右侧，表示先加载预处理再分出 3 路加载器。中间绿色框是 Prediction Model，框内自上而下是 Upstream Model、Prediction Head 与 Ordinal-aware、Conformal Calibration，来自校准与训练加载器的箭头进入该框。右侧蓝色框自上而下是 Logits、Prob 和 Pred MOS，中间框向右的箭头进入 Logits，再纵向向下走到最终 MOS 点估计。需要提醒的是，图上右侧只画了点估计链路，区间是在点估计上加减 1/2 宽得到的，像素里没有把加减操作画成独立模块，阅读时不要把 Prob 误认为区间。

编码器、序预测头和高斯平滑各自算什么？

上游编码器记为 phi，输入波形 x，输出嵌入 z。论文允许 M2D2 或 Wav2Vec2 这类预训练模型，它们先给出 T 乘 D 的帧级矩阵，再按时间平均得到 D 维向量。关键安排是编码器在训练时冻结，只更新预测头。这样做是原文明确给出的防过拟合手段，因为 BVCC 开发池只有数千条，更新整个大模型容易记住说话人或系统痕迹。梯度路径因此只经过两层 MLP，不进入上游。论文没有报告解冻上游会怎样，也没有报告不同池化方式的对照，这两项是具体缺项，不能从模型名字推定。

序回归 × 高斯标签平滑： 序回归负责尊重 1 到 5 分是有顺序的离散等级，相邻分数只错一点不应像完全错开那样重罚；高斯标签平滑负责把原来独热的目标按与真实 MOS 的距离做指数衰减，离真值越近的仓分得越多。两者搭配是因为直接回归对排序指标不友好、独热分类又丢掉顺序，组合后训练目标同时保留分类形式和连续距离，使近 miss 惩罚更小而远错仍大。

序预测头的计算分 3 步。第一步把 1 到 5 切成 K 个等宽仓，仓中心记为 ck。第二步对真值 y 构造软目标，高斯核的宽度记为 sigma，论文沿用前人做法让 sigma 略大于仓宽，以保留局部连续性。第 3 步把预测概率与软目标算 KL 散度，再加 L1 辅助损失。点估计是概率对仓中心的期望，保证落在 1 到 5 内。这种做法鼓励相对顺序正确，而不是死扣绝对数值。

上游编码器 × 预测头： 上游编码器负责把波形变成能反映声学和韵律结构的向量，训练时冻结以保留预训练知识并减少过拟合；预测头负责把池化后的定长向量映射为 K 个序仓上的对数几率、概率和期望分数，是唯一被更新的部分。搭配理由是 BVCC 只有数千条标注，从零学声学表示容易过拟合，组合后形成 frozen 大模型做表示、轻量两层 MLP 做决策的分工。

初学者常问为什么不用直接回归。原文的理由是直接 L1 与 SRCC 这类排序指标不对齐，而离散化加期望既能输出连续分数，又能在训练时利用排序结构。另一个误解是把软目标当成标签噪声，实际上它是确定性构造，不是随机加噪；它的作用是让近 miss 的惩罚连续衰减，而不是把模型变随机。

训练、校准和推理在时间上如何分开？

训练阶段只用训练集更新预测头。上游冻结，优化器用带动量的随机梯度下降，预测头从随机初始化开始学习把池化向量映射到序分布。验证集用来监视验证损失并做早停，保存验证损失最低的检查点。校准阶段在训练完全结束后才发生，不参与梯度更新：对校准集每个样本算绝对残差，即真值与点估计之差的绝对值，再取 1 减 alpha 分位数作为 1/2 宽 q 帽。推理阶段对新样本只做前向得到点估计，再加减同一个 q 帽并裁到 1 到 5。

分裂共形校准 × 经验覆盖率： 分裂共形校准负责在训练后用独立校准集的绝对残差取 1 减 α 分位数得到 1/2 宽 q 帽，测试时直接加减该 1/2 宽并裁剪到 1 到 5；经验覆盖率负责事后数一数真值落在区间里的比例，用来检验名义覆盖是否兑现。搭配原因是共形方法把不确定性估计与点估计解耦，不需要改训练损失，组合后可以用覆盖率、校准误差、平均宽度和锐度直接判断区间是可靠而紧，还是宽而敷衍。

校准集的划分是原文明确的：开发池 4974 条中拿出 497 条约 10% 做校准，剩下 4477 条做最终训练。测试 1066 条和验证 1066 条沿用 VoiceMOS 挑战的标准划分，不混入训练。这种分裂共形做法的好处是残差计算与校准集大小成线性，推理只多 1 次加减，开销可忽略；代价是训练数据少了 10%，如果校准集太小，分位数估计会不稳。论文没有报告多次随机划分的方差，也没有报告校准集比例的敏感性，这是复现时需要补的验证。

需要区分的是，alpha 不是学习率，而是用户选定的误差率。alpha 为 0.05 对应 95% 名义覆盖，alpha 越大区间越窄但欠覆盖风险越高，alpha 越小区间越宽以换更高名义覆盖。论文试了 0.01、0.05、0.1 和 0.24 个值，主设置是 0.05，因为它在宽度与可靠性之间平衡且整体性能最好。

数据、划分、指标和硬件条件是什么？

数据用 BVCC，英语语音，来自 187 个 TTS 和 VC 系统，共 7106 条，每条有多人打分。划分沿用 VoiceMOS 挑战标准，测试和验证各 1066 条，开发池内再分出校准 497 条和训练 4477 条。下表把划分整理成五列，方便核对每部分的数量、来源、用途和阶段，表中数字全部来自原文连续句，单位是条。

表前需要明确比较问题：划分是否把校准与训练、验证与测试 cleanly 分开，指标方向如何定义。只有在划分一致时，点估计的 MSE 与相关系数、区间的覆盖率与宽度才可比。点估计指标中 MSE 越小越好，LCC、SRCC 和 KTAU 越大越好；区间指标中经验覆盖率越接近名义覆盖越好，校准误差越小越好，平均宽度和锐度在覆盖达标前提下越小越好。

表后解释主要含义与代价：这样的划分保证了校准集独立于训练，满足分裂共形对独立校准的要求，也保证测试集未被训练见过。但代价是训练从 4974 条降到 4477 条，对本就小数据的 MOS 任务有一定损失；论文未报告若把校准比例换成 5% 或 20% 会怎样，也未评测跨数据集的域外覆盖，这是明确的未评测边界。硬件与优化条件是 NVIDIA RTX A5000 24 GB，batch 训练 32、验证测试 8，最多 1000 轮、耐心 20 轮，多数在 300 到 400 轮停止，单次约 2 小时。优化器只更新预测头，上游冻结，这些条件是复现时必须照抄的。

第二张表后补充：表中学习率、动量和权重衰减的数值写法保留原文，训练只更新预测头是原文明确安排。未报告的是学习率调度、丢弃率和 K 与 sigma 的具体取值，这些缺项在复现时只能先沿用代码默认或前人设置，不能从模型名猜测。

主结果在说什么，代价和反例在哪里？

主结果的问题是：在 BVCC 域内，共形加序建模能否在不牺牲点估计的前提下给出可验证的区间。比较对象是 UTMOS 和 FUSE-MOS 这两个实际可运行的基线，条件都是 BVCC 同一划分，指标分 utterance 级和系统级两层。论文报告，最好的 ConformalMOS 即 M2D2 且 alpha 为 0.05，在系统级 MSE 达到 0.08，相对 FUSE-MOS 降低 7.0%，系统级 LCC 也最高；utterance 级相关接近基线，但 MSE 略高于 UTMOS。也就是说，收益主要在系统排序和系统均值精度，代价是单条绝对误差没有同步最优。

下表用五列收拢论文用连续句直接报告的核心数字，避免把不同指标混在同一模型列下做差值。表中只放有逐字来源的数字，不把原宽表中的裸值逐格搬运，因为本次没有可绑定的原表矩阵。

表后解释收益与代价：系统级 MSE 到 0.08 且相对降低 7.0% 支持序建模加 M2D2 backbone 在系统聚合层面更稳；经验覆盖接近名义值支持分裂校准在域内按预期工作，主设置 alpha 为 0.05 对应 95% 名义覆盖是论文选定的可部署点。但必须同时说反例：wav2vec backbone 的各项点估计明显弱于 M2D2，说明 backbone 选择强烈影响共形框架下的表现；utterance 级 MSE 上 M2D2 并未 beating UTMOS，说明总体趋势不等于每层都赢。不同指标的差值不能混算，自动指标也不能当人类评价，百分点与相对百分比也不同，这里的 7.0% 是相对降低，不是百分点。

下面这张校准热力图是理解覆盖与锐度权衡的关键，先按行列读数再判断好坏。左图是 M2D2，右图是 wav2vec，行是 4 种指标，列是 4 个名义 alpha，颜色只是数值大小的辅助，不是好坏本身。

看图路径： 1. 先对比左右两块热力图的行名与列名，确认行是四种校准指标、列是四个名义 alpha；2. 再读左图 M2D2 在 alpha 为 0.05 列的经验覆盖与校准误差格，判断是否贴近名义值；3. 最后对比右图 wav2vec 同列的平均宽度与锐度格，判断区间是否系统性变宽

论文图 2。原论文 Figure 2：“Calibration performance of Conformal-MOS on the BVCC dataset using two different backbones.”。

从像素可见的内容解释这张图：左图横轴名义 alpha 为 0.01、0.05、0.1 和 0.2，纵轴自上而下是 Empirical、CalErr、AvgW 和 Sharpness。左图 M2D2 在 alpha 为 0.05 列的格子读数约为经验覆盖 0.945、校准误差 0.005、平均宽度 1.740、锐度 0.875，颜色从深蓝到浅红随数值增大而变暖。右图 wav2vec 同列读数约为经验覆盖 0.962、校准误差 0.012、平均宽度 2.208、锐度 1.107，红色更深、宽度更大。纵向看，随着 alpha 从 0.01 增大到 0.2，两图的平均宽度和锐度总体下降，表示区间变窄；但左图在 alpha 为 0.01 时经验覆盖 0.995 仍贴近 0.99，而右图在低 alpha 下校准误差更大且区间更宽，说明弱 backbone 的点估计误差直接放大为更宽、更不可靠的区间。像素不能精确到小数点后 3 位的数值不要硬写，上面读数以格内印刷数字为准，颜色深浅只用于定位大小关系。

系统级评估 × utterance 级评估： utterance 级评估负责对每一条语音算 MSE 和相关系数，反映单条预测精度；系统级评估负责先按 TTS 或 VC 系统聚合再算指标，反映模型选择的排序能力。搭配原因是实际部署更关心哪个系统更好而非某一条的抖动，论文报告显示 ConformalMOS 在系统级 MSE 和 LCC 上占优而 utterance 级 MSE 略高，组合阅读才能避免只看一条曲线的片面结论。

换 backbone 和换 alpha 会发生什么？

论文做的两组对照可以当消融读。第一组是 backbone 对照：M2D2 对 wav2vec，其他流程相同。M2D2 在系统级和 utterance 级全面更好，且校准误差更低、区间更窄；wav2vec 不仅点估计差，区间也更宽、覆盖在低 alpha 下偏离目标。这支持一个判断：共形区间的质量受制于点估计质量，弱 backbone 的残差分布更散，分位数自然更大。这不是拿掉某模块必然怎样的因果断言，而是同一流程下换 backbone 的有限解释。

第二组是 alpha 对照：0.01、0.05、0.1、0.2。预期规律是 alpha 增大则宽度和锐度下降、覆盖下降，论文在 M2D2 上确认了这个权衡且校准误差保持很小，说明校准程序工作正常。选择 0.05 是因为它在保持最好整体性能的同时平衡宽度与可靠性，而不是因为它是理论最优。初学者不要把 alpha 当成越大越好，alpha 大只是名义要求低，区间窄但漏真值的风险高。

还有两项未做的对照需要点名：论文明确说评估限于域内 BVCC，域外鲁棒性未测；也明确说省略了启发式比较，因为它们没有有限样本覆盖保证。这意味着不能从本文推断 ConformalMOS 在新合成器或新语言上仍保持 95% 覆盖，也不能说它一定比某种启发式不确定性更窄，这些都是待验证的。

保证在什么条件下成立，哪些结论还不能下？

第一个限制是可交换性。共形区间的有限样本保证写成新样本真值落入区间的概率不小于 1 减 alpha，前提是校准集与测试集可交换。一旦测试分布偏移，例如噪声、口音或全新 TTS 系统与校准集差异很大，保证不再适用。论文观察到校准残差越大区间越宽，可以提示不确定或分布偏移，但这只是信号，不是新的保证。

第二个限制是 backbone 依赖。M2D2 与 wav2vec 的差距表明，区间方法不能弥补表示的不足。如果点估计本身偏差大，区间要么很宽而失去信息量，要么覆盖不达标。论文因此强调需要强基预测器，这也解释了为什么冻结上游、只训轻量头的做法在弱 backbone 上仍不够。

第三个限制是评价口径。主结果是 BVCC 域内、按 VoiceMOS 标准划分的系统级和 utterance 级指标，没有听众分歧建模，没有按打分者效应的分析，结论部分把听众分歧列为未来工作。训练资源、推理开销、输出帧率与实际延迟要分开讨论：论文只报告了训练约 2 小时和推理只多 1 次加减，没有测量延迟或误判率，不能承诺这些量得到改善。

要复现，先照抄哪些条件，再补哪项验证？

先照抄数据与划分：BVCC 共 7106 条，测试 1066、验证 1066，开发池 4974 中校准 497、训练 4477。不要自行重划分，否则覆盖率不可比。校准集必须在训练结束后独立使用，不能拿验证集复用为校准集，也不能用测试集选 alpha，否则覆盖保证被破坏。

再照抄训练与校准细节：冻结上游，只更新两层 MLP 预测头；SGD 学习率 1×10−4、动量 0.9、权重衰减 1×10−4；batch 训练 32、验证测试 8；最多 1000 轮、耐心 20 轮，保存验证损失最低点。校准时算绝对残差，取 1 减 alpha 分位数为 1/2 宽，测试时加减 1/2 宽并裁到 1 到 5。主设置先跑 alpha 为 0.05 对应 95% 名义覆盖，再扫 0.01、0.1 和 0.2 看宽度与覆盖的单调变化。

评价时分开 4 组数：点估计的 MSE、LCC、SRCC、KTAU 分 utterance 级和系统级；区间的经验覆盖率、校准误差、平均宽度、锐度分 backbone 和 alpha。复现成功的标准是 M2D2 的经验覆盖贴近名义值且宽度随 alpha 增大而下降，而不是单看 MSE。还需补的验证是多次随机划分校准集的方差、K 与 sigma 的敏感性、以及域外数据的覆盖变化。关于可用性，本次没有发现来源绑定且完成 HTTPS 验证的资源，不得声称代码、模型或数据已公开，复现应按论文文字从数据申请和公开 backbone 权重做起。

何时值得尝试，何时不必强求区间？

当任务是模型选择而非单条打分时值得尝试。系统级 MSE 到 0.08 和更高的系统级相关意味着按系统排序更稳，共形区间还能告诉调用方哪些系统处于低置信，需要加听或保留人工复核。当调用方需要把不确定性写进决策阈值，例如低于某分且区间很宽就转人工，这种可验证的覆盖比启发式分数更合适。

当数据明显跨域或校准集很小时不必强求名义覆盖。此时更务实的做法是先报告经验覆盖与宽度，说明可交换性可能不成立，再扩大校准集或按新域重校准，而不是直接宣称 95% 覆盖。同样，如果 backbone 本身在新域上点估计很差，应先换更强的表示，而不是指望调 alpha 把区间变窄。

一句话收束：ConformalMOS 的贡献是把保序的点估计与事后可验证的区间拼成一条低开销链路，在 BVCC 域内用 M2D2 做到了系统级更准且覆盖可验；它的边界同样清晰，即保证依赖可交换性和强基预测器，域外与听众个性化仍是未验证的下一步。

⚖️ 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