不塌缩频谱轴：在二维谱时网格上直接做全局建模的说话人验证

英文题目：Continuous 2D Spectral—Temporal Transformer for Speaker Verification

会议身份：conference:interspeech:2026:conference-paper-id:ham26_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：#注意力机制 #高效推理 #语音 #说话人验证

评分：6.1/10 | 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 0.9/1.5 | 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

• Seongwook Ham：机构信息未能从会议 PDF 纯文本可靠映射
• Thien-Phuc Doan：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

说话人验证（Speaker Verification，SV）需以对数梅尔滤波器组等时频输入提取可区分说话人的嵌入表示并用于是否同人判定，难点在于同时保留频谱细节与长时依赖而不被过早压缩丢失频率结构。该工作提出连续二维谱时变换器（Continuous 2D Spectral-Temporal Transformer，C2D-ST），先由五阶段谱时注意力主干以邻域注意力建局部依赖并以轴向注意力沿频率与时间建全局依赖，再将多阶段输出折叠为时间序列做可学习加权聚合与最终时序建模，最后经注意力统计池化输出嵌入。与 ReDimNet 类混合结构的关键差异是全局建模直接发生在谱时网格而非塌缩后的一维时间表示上，从而保留频率维结构并提升参数效率与判别能力。在 VoxCeleb1-O/E/H 评测中，最终配置（大间隔微调与质量度量函数）平均等错误率（Equal Error Rate，EER）达到 0.507%，平均最小检测代价（minimum Detection Cost Function，minDCF）为 0.051，参数量 6.9M，优于 15.0M 的 ReDimNet-B6（0.633%/0.059）与 27.1M 的 ECAPA2（0.617%/0.062）。该结论目前仅在 VoxCeleb2 开发集训练与 VoxCeleb1 测试的范围内验证，未检验噪声、短语音与跨语言外推。原文未披露训练硬件、批量大小与推理部署成本。

🔗 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

说话人验证要从时频里找什么？

说话人验证的输入是一段语音波形，目标是判断两段录音是否来自同一说话人。系统不直接比较波形采样点，而是先把语音转成时频表示，再从中提取能区分说话人的定长向量，最后用打分比较两个向量。初学者可以这样理解动作：把可变长的语音压成一个身份向量，验证就是比向量距离。

论文使用的输入是 80 维对数梅尔滤波器组特征，采样率 16 千赫，窗长 25 毫秒，帧移 10 毫秒，傅里叶变换点数 512。这是一种谱时表示：横轴是时间帧 T，纵轴是频率通道 F，每个格点记录该时刻该频带的能量。对说话人而言，频率轴携带共振峰与音色结构，时间轴携带发音习惯与韵律变化，两者都与身份有关。

评价沿用说话人验证的常规做法。等错误率越低越好，它是误接受与误拒绝相等时的错误率；最小检测代价越低越好，论文按目标先验 0.01、漏检与误检代价均为 1 计算。测试在 VoxCeleb1 的 3 个协议上进行，分别记为 Vox1-O、Vox1-E、Vox1-H，难度递增，论文还报告三者的平均等错误率与平均最小检测代价。理解这组指标的方向，是后面读懂所有对照表的前提。

初学者如何把术语与动作对应起来？

把几个高频术语翻译成动作有助于通读。谱时网格就是频率乘时间的特征图，主干就是反复加工这张图的多层网络，塌缩就是把频率维折进通道维从而丢失显式频率位置，全局建模就是让每个位置能看到远处的位置。论文的方法可以一句话复述：主干全程不塌缩，先用邻域注意力看附近，再用轴向注意力分别看整行时间与整列频率，最后才压成时间序列做聚合与池化。

另一个易混点是注意力与卷积的对照。两者在论文中都用于局部建模，区别在于注意力按内容算权重、能自适应地看邻域，卷积按固定核加权。主干中注意力更优而最终阶段两者持平，说明局部建模的最优选择与所处阶段有关，不能一概而论。

阅读顺序建议按学习依赖：先确认任务与指标方向，再看总体架构分界，再看两种注意力与位置编码，最后看训练开关与评分补偿。只有前置概念先于依赖它的结论，才能避免把平均指标的下降直接归因于某一个模块。

已有混合结构在哪里把频率轴压掉了？

现代说话人验证系统大多采用混合结构：一部分模块在谱时 2 维网格上建模，另一部分在时间 1 维序列上建模。典型例子包括 ECAPA 系列、MFA-Conformer、CAM++，以及论文重点对照的 ReDimNet。共同动作是先用 2 维操作提取局部谱时特征，再转成时间序列做上下文聚合，最后池化成嵌入。

ReDimNet 的做法更具代表性：它在阶段式处理中反复把中间表示在谱时格式与时间格式之间重塑。论文指出的问题是，一旦把频率轴合并进通道维，原来的频率与时间网格结构就不再显式存在，后续的全局依赖建模只能看到时间序列。这种塌缩不是简单的形状变化，它抹掉了哪个通道来自哪个频率位置的显式对应关系。

阶段内混合 × 连续 2 维主干： 阶段内混合指在每个阶段内部反复在 2 维谱时格式与 1 维时间格式之间重塑表示，ReDimNet 是代表，负责交替利用卷积局部性与时间上下文；连续 2 维主干指所有主干阶段始终维持 2 维网格，只在主干结束后一次性转 1 维。搭配比较的理由是两者都想兼顾局部与全局，组合意义在于用对照实验检验全局建模应该发生在塌缩前还是塌缩后。

从学习依赖看，这个背景引出论文的核心结构问题：全局依赖建模应该在塌缩成时间表示之后做，还是直接在谱时网格上做；同时对频率轴与时间轴都做全局建模是否比只对时间轴做更有帮助。论文的全部消融都围绕这两个问题展开，而不是比较谁的参数更多。

同输入同目标的对照应如何公平阅读？

同输入意味着都以对数梅尔滤波器组这类时频特征为起点，同目标意味着都是说话人验证的嵌入学习，同监督意味着都用说话人标签训练，同运行阶段意味着比较的是推理可用的完整系统。论文的对照满足前两者，但在训练轮数、增强、损失与评分补偿上未必完全一致，基线数字引自各自论文，因此不能把小幅差异解读为严格同条件胜负。

具体到数字，ReDimNet-B4 为 6.3M 参数、B5 为 9.2M、B6 为 15.0M，PCF-NAT 有 7.6M 与 12.0M 两个规模，ECAPA2 为 27.1M。C2D-ST 以 6.9M 参数与这些更大模型比较，参数效率的结论相对稳健，但若要论证架构细节的最优性，更关键的是论文内部的消融，因为那些变体保持了特征维与头数一致。

类别差异不应直接当胜负。例如把 2 维卷积主干与注意力主干的差异完全归因于塌缩时机是不严谨的，因为算子本身也不同。论文用塌缩后 1 维 Transformer 变体来隔离塌缩时机的影响，这个对照比跨论文比较更有说服力，阅读时应给予更高权重。

论文把什么作为待检验的结构假设？

论文把研究对象限定得很窄：只改主干中全局建模发生的位置与维度，不改验证任务本身。输入、输出与损失都保持常规说话人验证流程，变量是主干是否全程保留 2 维网格。需要保留的关键信息是：主干由 5 个谱时注意力阶段共 16 个 Transformer 层组成，每个谱时阶段由若干邻域注意力层加一个阶段末尾的轴向注意力层构成；时间建模只出现在主干之后的一个最终阶段。

举例说明差异有助于初学者定位。假设一个样本进入网络后得到频率 8、时间 100 的特征图，ReDimNet 风格会在阶段内把它先压成通道与时间，再做 1 维全局注意力；C2D-ST 则保持 8 乘 100 的网格，先在局部邻域内做注意力，再分别沿 100 的时间方向与 8 的频率方向做全局注意力。这个例子只是帮助理解形状，数值是教学假设，不是论文报告的配置。

论文的判断标准也很明确：如果在谱时网格上直接做全局建模更好，那么去掉轴向注意力、只保留时间轴向注意力、或换成塌缩后的 1 维 Transformer，都应该让平均等错误率上升，且可能增加参数。这为后面的反证实验定好了方向。

C2D-ST 如何走完从谱图到嵌入的一次前向？

沿一个样本走完全程最容易建立整体感。输入声学特征记为批量、通道、频率、时间的 4 维张量。模型先经过 2 维卷积茎与重塑得到初始谱时图，然后进入 2 维谱时主干。主干的 5 个阶段依次处理，每个阶段输出都被保留下来。主干结束后，多个阶段输出各自把频率轴并入通道维变成 1 维时间表示，再用可学习的标量权重加权求和聚合。聚合后经 1 维投影调整通道维，进入由 8 个时间注意力层组成的最终时间阶段，最后经多层特征拼接、注意力统计池化、批归一化与线性投影得到 192 维说话人嵌入。

这个流程的关键安排是结构分离：谱时表示学习与时间聚合分属不同阶段。主干内部不塌缩频率轴，局部与全局依赖都在网格上建模；塌缩与时间建模只在最后发生。位置编码也按阶段区分：谱时主干的轴向注意力与最终时间阶段的全局注意力使用旋转位置编码，而邻域注意力使用相对位置偏置与值侧相对位置编码。

谱时表示 × 时间聚合： 谱时表示指保留频率维 F 与时间维 T 的 2 维特征图 X，负责在主干中同时携带音色相关的频率结构与时变结构；时间聚合指把频率并入通道得到 1 维时间序列后再做建模与池化，负责压缩成定长说话人向量。二者搭配的理由是前者避免过早塌缩丢失频率位置关系，后者只在表示已充分后再压缩，组合意义在于把表示学习与聚合在结构上分开。

下图是理解上述分界的最直接材料。阅读时不要先看细节框，先确认主路径何时是 2 维、何时是 1 维，再对比本方法与 ReDimNet 在阶段内部的差异。

看图路径： 1. 先沿最左侧总体架构列从梅尔谱图向下追踪到嵌入，确认二维主干与最终一维时间阶段的分界位置；2. 再对比中间本方法二维阶段列与右侧 ReDimNet 阶段列，找出邻域注意力加轴向注意力与二维卷积加一维时间建模的对应差异；3. 观察每一步标注的形状变化，确认频率维何时保留为何时被并入通道；4. 检查阶段输出如何被收集为输入列表并进入加权求和聚合

论文图 1。原论文 Figure 1：“Overview of the proposed C2D-ST architecture.”。

从像素可见，图分为三列。最左列是总体架构，从梅尔谱图经 2 维卷积茎与重塑进入 2 维谱时主干，主干输出经阶段级特征聚合与 1 维投影进入最终 1 维时间阶段，再经多层拼接、注意力统计池化与线性投影得到嵌入。中间列是本方法的 2 维阶段内部：输入列表经重塑、加权求和、2 维投影后，先过多层邻域注意力 Transformer 块，再过轴向注意力 Transformer 块，再经 2 维投影与重塑为 1 维后追加回输入列表。

右列是 ReDimNet 阶段内部：对应位置是多层 2 维卷积块、可选 2 维投影、重塑为 1 维、1 维时间上下文建模。三列的箭头都向下，形状标注显示频率维在中间列全程保留为独立维度，只在阶段末尾才变为通道乘频率。这 1 像素对比直接支撑了连续 2 维与阶段内混合的结构差异。

局部与全局注意力在网格上各算什么？

谱时主干的每一层都由注意力模块与前馈网络组成，但注意力分两种。邻域注意力在谱时网格的固定 2 维邻域内做局部自注意力。实现上先把输入转为通道在最后的格式，再经线性投影得到查询、键、值。对位置为频率与时间的格点，只在其邻域集合内计算注意力权重，权重由查询与键的点积加相对位置偏置经缩放与 Softmax 得到，输出是邻域内值向量加值侧位置编码的加权和。输出仍保持谱时网格表示。

轴向注意力负责全局依赖，它把 2 维注意力分解为 2 次 1 维注意力。同样从通道在最后的表示出发做投影，时间注意力把频率维折叠进批量维后沿时间轴做自注意力，频率注意力把时间维折叠进批量维后沿频率轴做自注意力，两路输出沿通道拼接后再投影回原特征空间。这种分解让模型能同时看到整条时间上下文与整个频率结构，而不需要把频率压掉。

邻域注意力 × 轴向注意力： 邻域注意力负责在谱时网格的固定 2 维邻域内做局部自注意力，捕捉临近时频的连续变化；轴向注意力负责把 2 维全局注意力分解为沿时间轴与沿频率轴的 2 次 1 维注意力，捕捉长距离依赖。二者搭配是因为纯局部感受野不足、纯 2 维全局计算代价大，组合后在同一网格内先局部后全局而不塌缩频率轴。

位置编码的细节值得单独说明。邻域注意力同时使用相对位置偏置与值侧相对位置编码，前者在分数侧编码查询与键的空间偏移，后者在输出侧把谱时位置信息带入表示。消融显示只保留偏置时平均等错误率从 0.507 升至 0.513，说明偏置已提供较强位置信息，值侧编码是小而稳定的补充。

相对位置偏置 × 值侧相对位置编码： 相对位置偏置是加在注意力分数上的与相对偏移有关的偏置项，负责告诉模型查询与键在频率与时间上相隔多远；值侧相对位置编码是加在值向量上的位置相关向量，负责把位置信息直接带入输出表示。两者搭配是因为前者只调权重分布、后者直接调输出内容，组合后局部邻域内的谱时位置关系被更完整地保留。

训练、微调与打分补偿各更新什么？

训练流程基于改编的 ESPnet-SPK 实现。训练数据是 VoxCeleb2 开发集，评估在 VoxCeleb1 的 3 个协议上进行。预训练从零开始，使用随机 3 秒语音段，训练 20 轮，优化器为 AdamW 并用余弦学习率调度，初始学习率 0.008，权重衰减 0.05。大间隔微调随后用 6 秒语音段训练 2 轮，初始学习率 0.0003，权重衰减相同。损失为 SphereFace2 的 C 类形式，间隔在预训练为 0.2，微调时增至 0.3。

数据增强只在预训练阶段启用，包括速度扰动因子 0.9 与 1.1，以及以 0.5 概率施加的 MUSAN 噪声与模拟房间脉冲响应，微调时关闭增强。这个开关需要记住：它意味着微调阶段看到的是更干净、更长的语音，目标是让间隔更大的分类损失在接近推理的条件下精调。

推理与评分侧还有三项补偿。自适应分数归一化使用 VoxCeleb2 开发集、队列大小 500；质量度量函数遵循已有基于质量的打分设置，但不使用信噪比相关的质量特征；推理时用完整长度话语提取嵌入。除主结果表外，论文报告的结果默认同时应用大间隔微调、自适应归一化与质量度量函数。

注意力统计池化 × 说话人嵌入： 注意力统计池化负责对最终时间序列按帧学权重并计算加权均值与标准差，把变长序列变成定长统计量；说话人嵌入是再经批归一化与线性投影得到的 192 维向量，负责直接用于余弦或归一化打分。两者搭配是因为池化解决时长不定、投影解决判别维度统一，组合后得到可比的说话人表示。

关于可复现性需要如实说明：正文脚注给出一个代码地址用于补充配置细节，但本次收到的资源状态中没有发现完成超文本传输安全协议状态验证的可用资源，因此不能写代码已公开或可运行，只能说论文声明了地址而本次未能确认可达。权重是否下载、训练日志与随机种子在现有证据中均未报告，这是复现时需要补的缺项。

还有哪些实现细节需要向原文核对？

除已交代的学习率与段长度外，复现者还需核对 3 类细节。第一是聚合权重：多阶段输出用经 Softmax 归一化的可学习标量加权求和，最终时间阶段各层输出用拼接聚合，两处聚合方式不同，不可混用。第二是投影位置：聚合后有 1 维投影调整通道，最终嵌入前有线性投影得到 192 维，缺任何一处都会改变维度对齐。第三是位置编码分工：旋转位置编码用于轴向全局与最终全局，相对偏置与值侧编码用于邻域注意力，不可互换。

梯度路径与冻结策略在现有证据中没有单独说明，论文未报告冻结任何参数，因此按全部参数参与预训练与微调理解，但不应脑补梯度截断或分层冻结。若需深究，应回到原文与补充配置核对，而不是从模型名称推定实现。

最后提醒一个常见误解：无增强的微调不等于确定性求解，关闭增强只是改变数据分布，优化仍是随机优化；参数少也不等于输出帧率或延迟已知，训练资源、推理开销与实际延迟需要分别测量。论文未提供这些测量，复现报告中应明确标注为待补项。

数据、特征与指标的实验条件是什么？

数据划分是固定的：VoxCeleb2 开发集用于训练，VoxCeleb1-O、E、H 用于测试。输入特征是 80 维对数梅尔滤波器组，16 千赫采样，25 毫秒窗、10 毫秒帧移、512 点傅里叶变换。预训练与微调的语音段长度、轮数、学习率与损失间隔如上一节所述，复现时应原样保留，因为段长度与间隔直接影响说话人判别难度。

指标与聚合口径需要逐项核对。等错误率与最小检测代价都在 3 个测试协议上分别计算，再取平均得到平均等错误率与平均最小检测代价。最小检测代价的参数为目标先验 0.01、漏检与误检代价均为 1。所有主结果都使用自适应分数归一化，大间隔微调与质量度量函数是否启用在表中逐行标明。比较时必须按同一行条件对比，不能把未微调的行与已微调的行直接比作架构收益。

基线引用自对应论文，包括 PCF-NAT、ReDimNet 的多个规模与 ECAPA2。参数量是重要的公平条件：C2D-ST 为 6.9M，ReDimNet-B6 为 15.0M，ECAPA2 为 27.1M。论文的效率主张建立在参数更少而平均指标更优之上，阅读时应同时看性能数字与参数数字。

主结果在相同打分下比出了什么？

比较的问题是：在都使用自适应分数归一化的条件下，C2D-ST 的不同训练与打分配置能否以更少参数达到有竞争力的平均指标。指标方向是等错误率与最小检测代价越低越好。公平条件是注意大间隔微调与质量度量函数两列开关，只有开关相同的行才可直接归因于架构。

上表整理自原文主结果，完整逐字证据见绑定。最强证据是最后一行：6.9M 参数的 C2D-ST 在微调加质量函数后平均等错误率 0.507、平均最小检测代价 0.051，对应 Vox1-O 为 0.29、Vox1-E 为 0.44、Vox1-H 为 0.79。论文报告未微调时平均为 0.627，微调后降至 0.517，再加质量函数降至 0.507。与 ReDimNet-B6 的 0.633 比，参数不足一半而平均指标更低；与 ECAPA2 的 0.617 比，参数不足三分之一且 Vox1-H 从 0.99 降至 0.79。

需要同时说明未胜出与代价侧。单看 Vox1-O，ECAPA2 的 0.34 仍优于 C2D-ST 未微调的 0.37，说明 C2D-ST 的优势依赖微调与打分补偿，不能只看架构就断言处处更优。质量函数带来的增益从 0.517 到 0.507 幅度较小，且论文未报告延迟与计算量，参数少不等于推理更快，这是未测量的边界。

拿掉频率全局与谱时网格会付出什么代价？

消融要回答两个结构问题：全局建模是否必要，频率维全局是否有独立贡献；全局建模发生在塌缩前还是塌缩后更有效。所有消融的指标方向同样是平均等错误率越低越好，且保持 Transformer 特征维与注意力头数等条件不变以保证对照公平。

上表综合原文多组消融，完整逐字证据见绑定。第一组反证最强：把轴向注意力换成邻域注意力后平均从 0.507 升至 0.693，说明纯局部建模不足，全局依赖重要。第二组只保留时间轴向注意力时平均升至 0.533，说明频率轴全局对表示学习有独立贡献。第三组把轴向注意力换成塌缩后的 1 维 Transformer 时，参数增加 2.8M 而平均升至 0.557，支持直接在谱时网格上做全局建模更有效且更省参数。

卷积对照提供了重要的负结果边界。主干邻域注意力换成 ConvNeXt 风格卷积块后平均升至 0.580，支持在主干中注意力局部建模更适合捕捉谱时依赖；但最终时间阶段的邻域注意力换成卷积后平均为 0.503，基本持平甚至略低，说明在最终时间聚合阶段卷积局部建模仍然有效。位置编码消融中去掉值侧编码后平均从 0.507 升至 0.513，属于小幅退化。这些结果共同表明收益集中在主干的谱时全局建模，而非所有位置都必须用注意力。

哪些结论还不能下，哪些验证还缺？

论文直接报告的是 VoxCeleb 上的等错误率与最小检测代价，支持的是在该基准与给定打分补偿下连续 2 维主干具有参数效率。有限解释是频率全局有助于表示学习，这由时间-only 变体的退化所支持，但属于特定架构与数据下的证据，不能推广为所有说话人系统都必须做频率全局。未验证的推测是更少参数是否带来更快推理或更低部署成本，原文未测量延迟、吞吐、显存与训练耗时，不能从参数量推定这些量得到改善。

缺失的证据不是技术错误，但复现与引用时要明确。硬件预算、训练时长、随机种子、多次运行的方差均未报告；自适应归一化队列与质量函数的具体实现细节只给出引用与队列大小，信噪比质量特征明确未用，但其他质量特征的构造未在现有证据中展开；基线为引用结果而非同一代码库重跑，跨论文比较时可能存在增强与评分细节差异。

适用边界也应写清。最难的 Vox1-H 上 0.79 仍明显高于简单协议，说明长尾困难样本仍是瓶颈；最终阶段换卷积不降性能，说明若目标只是优化最终时间聚合，未必需要全注意力。总体趋势不等于每组都成立，阅读时应分协议看数字，而不是只记平均值。

要复述与复现应先固定哪些步骤？

先固定数据与特征：VoxCeleb2 开发集训练、VoxCeleb13 个协议测试，80 维对数梅尔滤波器组，16 千赫、25 毫秒窗、10 毫秒帧移、512 点变换。任何改动采样率或特征维都会改变频率网格，不能再直接对比 0.507 这类数字。

再固定训练开关：预训练 3 秒段 20 轮、学习率 0.008、权重衰减 0.05、间隔 0.2 并开增强；微调 6 秒段 2 轮、学习率 0.0003、间隔 0.3 并关增强。损失用 SphereFace2 的 C 类形式，优化器为 AdamW 加余弦调度。主干按 5 个谱时阶段共 16 层搭建，每阶段邻域注意力加阶段末轴向注意力；最终时间阶段按邻域、邻域、邻域、全局、邻域、邻域、邻域、全局的 8 层顺序搭建。

最后固定评分：自适应归一化队列 500 用 VoxCeleb2 开发集，质量函数不含信噪比特征，推理用完整长度话语。复现时建议先跑通未微调的 0.627，再跑微调的 0.517，最后加质量函数的 0.507，分段核对才能定位问题。若要验证结构假设，优先复现轴向换邻域与塌缩后 1 维两个变体，因为它们的退化幅度最大、最能说明问题。

何时值得尝试这种连续二维设计？

当系统已经采用谱时加时间的混合思路，且怀疑频率塌缩过早时，值得尝试把主干改为全程 2 维、只在最后做时间建模。论文的证据表明，这种改动在 VoxCeleb 上可以用 6.9M 参数达到平均 0.507，且塌缩后全局变体需要多 2.8M 参数仍更差。对于参数受限但仍想保留全局建模的场景，这是一个有实测依据的选择。

不值得盲目照搬的情况也要记住：如果最终阶段已是瓶颈，换卷积可能同样有效；如果没有自适应归一化与微调，架构本身的 0.627 并不突出。复现前应先确认能否复刻评分补偿，否则容易把打分收益误记为架构收益。

还需补的验证包括跨数据集泛化、短语音与噪声下的稳定性、以及真实推理延迟与显存占用。只有补上这些，才能把参数效率的主张扩展为部署效率的主张。就当前证据而言，最稳妥的表述是：在保留谱时网格上直接做频率与时间全局建模，是本混合结构下有效且省参数的设计选择。

⚖️ 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