学到的层权重不是随机的：它们在何时跟随预训练的信息分布

英文题目：Do Learned Layer Weights Reflect Pretrained Information Structure in Self-Supervised Speech Models?

会议身份：conference:interspeech:2026:conference-paper-id:getman26b_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 #可解释性 #预训练 #语音 #语音识别

评分：5.4/10 | 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 0.8/1.5 | 开源 0.0/1.5 | 可复现 0.1/0.5 | 工程/实践 0.5/1.5

排名：后50% | 文档类型：方法研究

👥 作者与机构

• Yaroslav Getman：机构信息未能从会议 PDF 纯文本可靠映射
• Tamás Grósz：机构信息未能从会议 PDF 纯文本可靠映射
• Mikko Kurimo：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

冻结自监督语音模型做英语自动语音识别时，通常在冻结各层输出上学习加权求和，难点在于权重是否反映预训练的信息结构而非下游偶然拟合。为此先在LibriSpeech语料上按强制对齐切分音素段与词段表示，每层独立做小批量K均值聚类，再以调整互信息度量聚类与真实标签的一致性，得到层级信息曲线。另一支在ML-SUPERB冻结主干加卷积下采样与两层Transformer头的联结时序分类训练中学习经Softmax归一化的层权重，聚合前对每层做层归一化以消除尺度干扰，输出进入层序号维度的Spearman秩相关计算并做5000次置换检验。在ML-SUPERB单语英语ASR评测任务下，对比家族10分钟监督词级AMI的Spearman相关指标为0.91，高于1小时监督的Spearman相关指标0.70。与既有以单层下游性能为参照判定权重不可靠的做法不同，该链条直接以冻结表示自身的层级信息含量为参照，揭示了有限监督下权重系统性跟随预训练结构的机制意义。结论仅限冻结主干的单语ASR与音素词级AMI参照，尚未验证说话人、情感或非ASR任务，适用边界受限。原文未披露训练、推理或部署成本，明确声明正文经ChatGPT类工具润色。

🔗 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，目标是什么，本文要回答什么

本文的输入是两类已经存在的东西。第一类是冻结的自监督语音模型在每一层的表示，包括卷积特征编码器输出记为第 0 层，以及后面每一块变换器输出。第二类是下游语音识别训练后得到的层权重，也就是决定每一层表示在加权求和中有多大贡献的一组可学习标量。目标不是提升识别率，而是检验一个解释性问题：下游学到的权重分布，是否反映了预训练模型内部本来就有的分层信息结构。

为此作者引入一个独立于下游优化的信息量度量。做法是把每一层的帧级表示按强制对齐切成音素段与词段，聚类后再与真实音素标签或词标签计算调整互信息，用白话说就是聚类结果与真实语言单位有多一致，并扣除了偶然猜中的部分。调整互信息越高，说明该层编码的音素或词汇信息越多。于是每层都有两个数：预训练信息量与下游权重，比较它们的排序是否一致，就能回答权重是否跟随了预训练结构。

必须保留的关键信息是：比较对象是完整分布的排序，不是单层识别性能；监督量分为 10 分钟与 1 小时两档；模型覆盖对比式、聚类式、聚类加去噪三族共 13 个；相关性用斯皮尔曼等级相关并做置换检验。最终输出不是一个新的识别系统，而是一组相关系数与层曲线，以及在什么条件下对齐更强的判断。初学者可以把全文理解为 1 次可核对的对照实验：信息曲线来自冻结表示，下游权重来自冻结主干加轻量识别头，两者来源分离后再比较。

此前路线如何评价层权重，本文换了什么参照系

此前有两条并行的路线。第一条是冻结分析路线，直接在冻结模型上度量每一层有什么信息。早期工作对语音自监督模型逐层计算与音素或词标签的互信息，发现信息量不是单调递增，而是在中间层达到峰值后下降。后续工作把模型扩展到 11 个，并用典型相关分析比较不同预训练目标，发现分层模式随目标系统变化。这条路线的特点是不经过下游微调，刻画的是预训练本身。

第二条是基准评测路线，把冻结主干与轻量任务头配对，任务头接收所有层的可学习加权求和。语音通用性能基准与多语基准都采用这种协议，权重均匀初始化并与下游模型联合优化。已有分析比较了不同任务与模型的权重，也有人把权重与单层下游性能做相关，发现相关系数只有 0.39 到 0.71，且随任务不一致，因而得出权重不可靠、不宜用来解释模型内部信息流的结论。另一项比较也报告平均相关约 0.66，认为不如基于典型相关的方法可靠。

本文没有否定上述单层性能参照，而是换了参照系。它问的是权重分布是否对应预训练的信息含量，而不是权重是否能预测哪一单层下游得分最高。这个转换很重要，因为单层性能还受下游头容量、优化与任务适配影响，而调整互信息直接来自冻结表示。理解这一点，就能明白为什么本文能在先前被判为不可靠的地方，仍然发现系统性对齐：参照系不同，结论针对的问题也不同。

要检验的具体问题与可证伪形态是什么

具体问题可以写成操作形式：固定一个预训练模型，先算出每一层的信息量曲线，再在相同冻结主干上训练多语基准的英语识别任务并记录层权重，然后计算两者排序相关。如果权重只是随机偏离均匀分布，相关应接近零且置换检验不显著；如果权重系统跟随信息结构，则多数模型与条件下应出现显著正相关，且相关强度随监督量与预训练目标呈现规律变化。

这里监督量是关键操纵变量。10 分钟与 1 小时使用相同的下游结构与官方流程，只是标注语音时长不同。预训练目标是第二个分组变量，分为对比式、聚类式、聚类加去噪。模型规模从基础的 12 层，到大型的 24 层，再到超大的 48 层，预训练数据从 960 小时英语到数百万小时多语不等。这样的设计让读者可以区分 3 种解释：对齐是否普遍存在，对齐是否随标注增加而减弱，对齐是否依赖目标类型。

初学者容易误以为权重数值大就代表该层一定最好。本文的可证伪形态提醒读者关注排序与分布形状：权重整体接近均匀，归一化熵大于 0.996，绝对差异很小，但排序仍可能系统地与信息曲线同起同落。反证条件也已预先说明：52 种模型与信息类型与监督量组合中，有 3 组在 1 小时条件下不显著，这为理解边界提供了抓手。

沿一个样本走完从波形到权重与信息量的全景

先跟随一段英语有声书语音走完全流程。原始波形进入 7 层卷积特征编码器，被下采样为潜表示序列，记为第 0 层表示。接着该序列经过掩蔽与多层变换器编码，每一块输出一层表示。对基础模型会得到 13 组表示，大型模型得到 25 组，超大模型得到 49 组。至此预训练部分结束，所有参数在后续分析与下游训练中保持冻结。

同一段语音有两条下游路径。第一条是信息量路径：利用强制对齐得到每个音素与词的时间边界，音素取段内中央三分之 1 帧取平均以减少边界协同发音影响，词取整个对齐区间取平均，得到段嵌入。每层段嵌入分别做小批量 K 均值聚类，音素聚类数为 500，词聚类数为 5000，再与真实标签计算调整互信息。每个划分重复聚类并在多个划分上平均，最终得到该模型的音素信息曲线与词信息曲线。

第二条是权重路径：同一冻结主干的所有层输出先各自做层归一化，以消除数值尺度差异对权重的影响，然后做加权求和，送入卷积下采样加两层变换器的浅层识别头，用联结时序分类损失训练。权重经归一化约束，均匀初始化，随识别头联合更新。因为主干冻结，权重的变化只能解释为下游在既定表示中选择不同深度的偏好。最后把权重向量与信息向量按层对齐，计算排序相关，这就是全文的核心比较动作。

冻结主干与分层表示如何提供比较基础

冻结主干的含义是预训练完成后不再更新任何卷积与变换器参数。下游训练只更新浅层识别头与层权重，梯度不回传到主干。这样做的安排理由在原文中很明确：保持预训练表示不变，才能把权重解读为对既有各层贡献的控制，而不是改写表示后的混合效果。如果允许微调，各层内容本身会变化，权重与原信息曲线的比较就失去基准。

分层表示的组织是统一的：三族模型共享卷积编码器加变换器堆叠，只是掩蔽目标定义不同。基础、大型、超大分别对应 12 层 768 维、24 层 1024 维、48 层 1280 维。这种统一让跨目标比较更公平，因为层数与维度差异来自规模配置，而目标差异来自预训练损失。举例来说，对比式模型在掩蔽帧上做对比选择，聚类式模型预测离线聚类的伪标签，聚类加去噪还向输入加噪声或重叠语音但预测干净语音的伪标签。例子仅用于说明目标差异，不附加无源的效果数值。

自监督语音模型 × 冻结主干： 自监督语音模型负责在预训练阶段从大量无标注语音中形成分层表示，冻结主干是指在下游识别时不再更新这些预训练参数。两者搭配的理由是：只有冻结，才能把下游学到的层权重解释为对原有信息分布的选择，而不是微调改写后的结果，组合意义在于分离预训练结构与下游优化的影响。

权重、求和与归一化各自承担什么计算

下游的计算可以拆成 3 步。第一步是对每一层输出做层归一化。原文强调这是遵循官方流程之外的补充处理，目的是让学到的权重反映层重要性，而不是各层数值尺度不同带来的假象。若没有这一步，数值大的层即使信息不多也可能主导求和。第二步是加权求和，所有层共享一组标量权重，权重经归一化保证和为 1，初始化均匀。第 3 步是把融合表示送入浅层识别头训练。

权重不是被直接监督的。损失是识别的联结时序分类损失，权重只是作为端到端训练的一部分被间接调整。换句话说，没有哪一项损失明确要求权重去拟合信息曲线，权重是为了降低识别误差而移动的。这一点对解释结果很关键：在标注很少时，优化只能做微小调整，反而保留了接近预训练结构的偏好；在标注增多时，优化有能力把权重推向更靠后的层。

层权重 × 加权求和： 层权重是分配给卷积编码器输出与每一层变换器输出的标量重要性，经归一化后使用，加权求和是把各层表示按权重相加后送入下游模型的操作。两者搭配的理由是：权重控制相对贡献，求和保留多层信息，组合后下游可以在不改动主干的情况下，间接表达它更依赖哪一深度的表示。

信息量、聚类与对齐如何逐层度量

信息量路径的输入是冻结表示与强制对齐边界。强制对齐来自蒙特利尔强制对齐器，给出音素与词的时间戳。段嵌入的构造已在全景中说明，聚类采用小批量 K 均值，音素 500 类、词 5000 类。每个条件下采样 4 个训练测试划分，覆盖 39 个音素与 500 个词，每个划分聚类 4 次，共 16 次运行取平均。这种重复是为了减少聚类随机性与采样差异。

原文用调整互信息代替原始互信息，理由是原始互信息对簇大小分布敏感。即使固定 K，不同层的簇大小分布不同，偶然一致下的期望互信息也不同。调整互信息减去偶然期望并用最大值归一化， chance 水平为 0，完全一致为 1。这样跨层比较才公平。最终的信息量完全来自预训练表示，与下游优化无关，这保证了它可以作为独立的参照。

调整互信息 × 强制对齐： 强制对齐负责给出每个音素段与词段在时间上的起止位置，调整互信息负责度量该层聚类结果与真实标签之间超出偶然一致的信息量。两者搭配的理由是：先有对齐才能把帧级表示聚合成段级嵌入，再有调整互信息才能跨层公平比较，组合意义是得到只依赖冻结表示的逐层音素与词汇信息曲线。

三族预训练目标的差异点在哪里

三族目标的共同点是都对连续时间步做掩蔽并预测被掩蔽区，但目标定义不同。对比式以联合学习的量化潜表示为目标，从干扰项中选出真实项；聚类式以离线聚类得到的离散伪标签为目标，伪标签来自声学特征或中间表示的 K 均值；聚类加去噪在聚类基础上增加去噪任务，输入加噪但预测干净语音的伪标签。原文列出的模型包括 7 个对比式变体、3 个聚类式与 3 个聚类加去噪，规模与数据各不相同。

这种分组让读者可以检验对齐是否依赖目标。直观上，对比式与聚类式的信息组织方式不同，前者的量化目标与表示联合学习，后者优化固定伪标签。论文在讨论中提出这可能与对齐差异有关，但明确标注为开放问题，没有断言因果。初学者应把目标差异记为分组条件，而不是直接的效果解释。

对比式目标 × 聚类式目标： 对比式目标要求模型从掩蔽位置的候选量化表示中选出真实目标，聚类式目标要求模型预测离线聚类得到的伪标签。两者分工不同：前者联合学习表示与量化目标，后者固定外部伪标签作为监督，搭配比较的理由是检验预训练目标的定义方式是否影响权重与信息结构的对齐强度。

本研究训练了什么，没有训练什么

本研究没有训练任何自监督主干。13 个模型的预训练参数全部取自已有发布，下游比较时保持冻结。实际训练的是多语基准的轻量识别头与层权重，使用官方 recipes 的默认超参数与标准下游结构。训练数据为多语基准的 3 个英语集，分别在 10 分钟与 1 小时两档下训练，权重在 3 个数据集上平均，跨数据集标准差小于 0.001，说明数据集差异带来的权重波动很小。

优化细节按原文交代：权重均匀初始化，与下游模型联合优化，损失为联结时序分类损失。需要指出的缺项是原文未报告学习率调度、早停与随机种子等完整优化轨迹，也未给出识别错误率本身，因为识别性能不是本文的评价指标。统计部分不是神经网络训练，而是对已得权重与信息曲线的排序相关计算，每个组合做 5000 次置换检验，显著性阈为 0.05。

斯皮尔曼排序相关 × 置换检验： 斯皮尔曼排序相关负责度量层权重排序与信息量排序是否同升同降，置换检验负责通过随机打乱权重顺序构建零分布来判断该相关是否显著。两者搭配的理由是：权重数值接近均匀，绝对值差异很小，只有排序显著性才能说明偏离均匀的微小起伏是系统的，组合后避免把数值接近误读为无信息。

数据、划分、指标与聚合条件如何保持一致

信息量侧的数据是朗读英语有声书语料，强制对齐后构造段嵌入，聚类与调整互信息在多个划分与多次运行上平均。权重侧的数据是多语基准的英语单语识别实验，训练集来自 3 个不同来源的英语数据，每档监督量下分别训练再平均权重。两者的数据来源不同，但这正是设计意图：信息曲线刻画预训练在通用朗读语音上的内容，权重刻画下游在有限标注识别任务中的选择，两者独立得到后再比较，避免同数据循环论证。

指标方向需要明确。调整互信息越大表示该层聚类与真实标签越一致；权重越大表示该层在融合中占比越高；斯皮尔曼系数越大表示两者排序越一致。聚合对象也需区分：信息曲线是对 16 次聚类的平均，权重是对 3 个数据集的平均，相关是对层索引上的排序计算。模型规模差异通过分开报告处理，不把 12 层与 48 层的绝对层号直接混比，而是比分布形状与排序。

成本与硬件方面，原文仅说明计算资源来自超算与学校集群，未报告逐模型训练时长或推理延迟。因此不能从本文推断权重方法节省了多少算力，只能说下游头是浅层的两层变换器加卷积下采样，注意力维度 256，属于轻量结构。复现时应保留层归一化这一关键配置，否则权重可能混入尺度因素。

权重分布与信息曲线在层轴上是否同起同落

总体结果是 52 种组合中有 49 组显著正相关，不显著的 3 组全部出现在 1 小时条件下。权重数值整体接近均匀，但排序是系统的。对比式模型在 10 分钟下的平均相关最高，音素与词分别达到 0.86 与 0.91，个别值高达 0.98。即使在 1 小时下，对比式仍全部显著，只是均值降至 0.65 与 0.70。聚类式与聚类加去噪的对齐较弱且更多变，聚类式的音素与词均值在 10 分钟下约为 0.57 与 0.82，聚类加去噪约为 0.76 与 0.71。

下图把 13 个模型的层曲线与柱状权重放在同一层轴上，左轴为信息量，右轴为权重，曲线峰与柱峰的位置关系可以直接对照。这是理解全文最重要的一张图，应先看图例再看形状，而不是先记数字。

看图路径： 1. 先看每子图图例：红色实线为音素信息量，黑色虚线为词信息量，浅蓝与深蓝柱分别为 10 分钟与 1 小时权重；2. 再沿横轴层编号观察曲线是否先升后降，峰值出现在中间层还是后部；3. 比较同一子图中柱状峰与曲线峰是否落在相近层区间；4. 对比上排对比式模型与下排聚类模型的曲线宽度与柱状集中程度差异

论文图 1。原论文 Figure 1：“Layerwise AMI and learned layer weights across 13 SSL models.”。

从像素可见，对比式的前 5 个子图多呈先升后降的拱形，红色音素曲线与黑色词曲线在中间层附近达到峰值，浅蓝与深蓝柱的高度也集中在相近区间，形成峰对峰的对应。超大模型的横轴延伸到 48 层，拱形更宽但峰区仍对应。相比之下，右下聚类模型的曲线更平缓，权重柱向后部集中，峰对峰不如对比式锐利。图中还可见深蓝柱往往比浅蓝柱更窄更高，说明 1 小时权重更集中，这与后文监督量分析一致。像素不能精确读出每个权重数值，数值判断以表格相关系数为准，图只用于确认分布形状的对应。

监督量与目标类型如何改变对齐强度

监督量的影响是一致的：10 分钟权重的相关高于 1 小时权重。对比式从 0.86 降到 0.65，词从 0.91 降到 0.70；聚类式音素从 0.57 降到 0.50，词从 0.82 降到 0.80，下降较小；聚类加去噪音素从 0.76 降到 0.58，词从 0.71 降到 0.48，下降较大。权重形状的变化是 1 小时权重的熵更低、加权平均层索引更大，但峰所在层基本稳定，13 个模型中有 10 个移动不超过 1 层，平均绝对移动 1.1 层。白话解释是：更多标注让权重整体后移并变窄，偏离了较宽的信息曲线，但没有跳到完全不同的层。

目标类型的影响体现在一致性上。对比式在不同规模与数据下都保持强相关，从 960 小时英语到 4,000,000 小时多语均成立。聚类式内部差异大，同一模型对音素与词的对齐可能相差很多，超大聚类模型的音素相关仅 0.45 而词达 0.87；规模越大相关越弱的趋势也更明显，大型聚类加去噪在 10 分钟与 1 小时下的音素相关仅 0.53 与 0.32。以下两表分别整理对比式与聚类两族的均值与关键反例，比较时注意行条件为信息类型与监督量，指标方向均为越大越对齐。

上表提出的问题是对比式对齐是否随监督增加而减弱，公平条件是同一下游结构与同一冻结主干，指标方向为相关越大越对齐。表后解释是主要收益为 10 分钟下高达 0.91 的词对齐与最高 0.98 的个体值，代价是 1 小时下平均下降约 0.2，且所有不显著都集中在 1 小时，说明额外监督带来更集中的权重但削弱了与宽信息曲线的对应。未胜出项是 1 小时对比式仍显著，只是强度下降，不能误读为完全无关。

上表提出的问题是聚类族是否整体弱于对比式且内部更多变，公平条件同样是冻结主干加相同下游协议。表后解释是主要发现为聚类族均值低于对比式，且音素与词在同一模型内可相差 0.4 以上，大型聚类加去噪的音素对齐最弱。代价与边界是不能用单一均值概括聚类族，基础聚类模型的音素可达 0.83 以上，而超大模型明显下降，说明规模与信息类型共同调节对齐，复现时需分开报告音素与词。

哪些变化会削弱对齐，哪些保持稳定

可以把监督量看作一种消融：把标注从 1 小时减少到 10 分钟，对齐增强；反向增加标注，对齐减弱且分布变窄后移。这种变化在三族中都出现，只是幅度不同，说明它不是某个模型的偶然现象。峰层稳定的结果进一步支持解释：优化没有重选完全不同的层，只是在原峰附近改变集中程度。初学者应把这一点记为适用条件：在标注极少、优化只能微调权重时，权重更接近预训练结构。

目标与规模的消融显示对比式的稳健性。尺寸从基础到超大、数据从单语到多语，对比式仍保持显著，而聚类族随规模增大与信息类型切换波动更大。这支持论文的判断：权重的信息量取决于预训练目标，替代性度量可能更适合解释聚类模型。需要注意原文未做去除层归一化的对照，也未比较不同下游头容量，因此不能断言归一化或头容量必然如何改变结论，这些是未评测边界。

另一个隐含对照是先前以单层性能为参照的工作。先前在音素识别上报告的权重与性能相关仅 0.39，而本文以信息量为参照在对比式上达到 0.86 以上。这不是数值上的直接胜负，因为参照系不同，但它说明先前的不可靠结论受参照选择限制。本文的贡献是补上信息结构这一参照，而不是推翻单层性能参照下的观察。

结论的边界与尚未验证的推测是什么

第一，任务边界很窄。分析只覆盖英语单语识别，对应的信息度量也只选了与识别直接相关的音素与词。若换成说话人、情感或深伪检测等非识别任务，需要任务相关的信息度量，本文的音素与词曲线不能直接套用。原文明确把扩展到其他任务列为未来工作，读者不应把结论推广为所有下游的权重都反映信息结构。

第二，证据性质是相关而非因果。排序相关显著只能说明权重分布与信息曲线同起同落，不能证明权重是由信息量决定的，也不能承诺按信息量重设权重一定提升识别。缺失的证据包括误判率、延迟与训练成本的系统测量，原文未报告这些量，因此不能声称该解释带来了性能或效率改善。

第三，机制解释仍是待验证。论文提出对比式联合学习量化目标而聚类式优化固定伪标签，这可能与对齐差异有关，但明确写为开放问题。同样，1 小时权重后移变窄的优化动力学没有逐步追踪，总体趋势不等于每一步都后移。资源状态方面，未发现来源绑定且完成验证的资源，不得声称代码、模型或数据已公开，复现需自行按文中语料与工具名检索官方渠道，本次也未能确认其可达性。

要复现这组比较，先做什么并保留什么条件

复现的第一步是准备冻结主干与强制对齐。按原文选择 13 个模型中的子集即可起步，建议先复现一个基础对比式与一个基础聚类式，以对比拱形与平缓曲线的差异。表示提取要包含第 0 层编码器输出与每一变换器层，段嵌入按音素取中央三分之一平均、词取全段平均，聚类用小批量 K 均值并按原文类别数设置，划分与重复次数尽量与原文一致以减少随机性。

第二步是跑通多语基准的英语识别流程，使用官方流程与默认超参数，保持主干冻结，只训练浅层头与权重，并在每层输出加权前加层归一化。分别在 10 分钟与 1 小时两档下训练，对 3 个数据集的权重取平均，检查跨数据集波动是否很小。最后按层计算权重与信息量的斯皮尔曼相关并做 5000 次置换检验，显著性阈取 0.05。

需保留的关键超参数与信息条件包括：聚类数 500 与 5000、4 划分乘 4 重复共 16 次平均、权重均匀初始化与归一化约束、联结时序分类损失、冻结主干。若改动归一化或下游头容量，应作为新的对照单独报告，不能与原文数字直接比较。还需补做的验证是更换随机种子与划分后的稳定性，以及在另一语种或另一识别集上的重复，以检验结论是否超出英语单语设置。

何时值得参考权重，何时需要换一把尺子

当研究者使用冻结对比式语音模型做少标注识别，并想快速判断下游更依赖哪一深度时，本文的结论值得参考：此时学到的权重分布大概率跟随音素与词信息曲线，中间层峰区值得优先检查。但应把权重读作排序偏好而非绝对重要性，因为数值整体接近均匀，微小差异只有在排序检验下才有意义。同时要记住 1 小时等更多标注会让权重后移变窄，此时再用权重反推预训练结构会低估宽峰的贡献。

当模型是聚类式或聚类加去噪，或下游不是识别任务时，应换一把尺子。同一聚类模型对音素与词的对齐可能截然不同，大模型更弱，说明需要与任务匹配的信息度量或典型相关等其他分析。论文特有的误解澄清是：权重不可靠与权重反映信息结构并不矛盾，前者指预测单层下游性能的能力有限，后者指完整分布与预训练信息含量的排序对应，两者参照系不同。把握这一区分，就能在复述方法时准确说明本文做了什么、没做什么。

⚖️ 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