从平均发放率到分布：用分层离散隐变量逼近人工耳蜗听神经随机响应

英文题目：Towards a Stochastic DNN Approximation of Cochlear Implant Auditory Models

会议身份：conference:interspeech:2026:conference-paper-id:hartmann26_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：#助听器 #变分自编码器 #向量量化 #高效推理 #音频编码

评分：5.9/10 | 创新 1.2/2 | 技术严谨 1.0/1.5 | 实验充分 0.8/1.5 | 清晰度 0.8/1 | 影响力 0.8/1.5 | 开源 0.0/1.5 | 可复现 0.3/0.5 | 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

• Theresa Hartmann：机构信息未能从会议 PDF 纯文本可靠映射
• Ian C. Bruce：机构信息未能从会议 PDF 纯文本可靠映射
• Benjamin Lentz：机构信息未能从会议 PDF 纯文本可靠映射
• Rainer Martin：机构信息未能从会议 PDF 纯文本可靠映射
• Anil Nagathil：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

人工耳蜗电刺激建模需由Greenwood频率分辨率频谱图预测40个特征频率上平均发放率神经图，难点在于发放具有试次间随机性而现有深度近似只学习均值响应。分层向量量化变分自编码器先将输入频谱图编码为粗细两级离散潜码，分别保留全局结构与精细时频细节，粗码经顶层解码后与底层编码拼接再量化以融合多尺度信息。底层解码器逐时频bin输出Gamma分布的形状参数与尺度参数，得到发放强度的连续分布预测。独立Gamma采样将分布参数转化为随机平均发放率神经图，使负对数似然与指数化均方误差联合优化分布与点值。与确定性重建相比，该机制学习发放分布而非单点均值，因而能复现均值结构与试次间方差特性。在音乐测试集下，原始模型自比的NSIM指标为0.90±0.02，高于DNN自比的NSIM指标0.70±0.02。该结论适用边界受限于低中频与自发放射，高频活动与跨通道跨时间的精细相关因逐bin独立采样而建模不足，尚未验证生理与行为层面的等效性。推理开销方面，原文报告原始模型生成神经图的平均计算时间为68.96±0.26s，因而该快速近似更适于实时建模与策略测试。

🔗 开源与复现资源

• 第三方资源：https://github.com/jabeim/GMT — 链接可访问（HTTP 200） 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，哪些信息不能丢？

这篇论文的输入是一段声音波形 s(n)，n 是离散时间序号，输出是人工耳蜗电刺激下的听神经活动图，即平均发放率神经图。初学者可以把神经图想象成一张时频热图：横轴是时间帧 t，纵轴是特征频率 f，每个格点 yf,t 表示该频率通道、该时刻的发放强度。原文用柱状后刺激时间直方体重分箱到 100 微秒时间格，再用半重叠、长 12.8 毫秒的汉明窗平滑，得到采样率 156.25 赫兹、保留至 78 赫兹包络调制的表示。

目标不是复现某 1 次脉冲的精确时刻，而是复现多次重复刺激下发放强度的均值与方差。电刺激听神经响应的关键性质是随机性：同一刺激重复多次，每次的脉冲数与时间都会抖动，包括不应期、时间抖动、自发放电等生理状态的影响。确定性逼近只学平均图，会丢掉这种逐次差异，进而影响对时间编码与神经同步的判断。

因此必须保留的信息有 3 类。第一是全局谱时间结构：语音的浊音谐波、静音间隙，音乐的宽带持续能量，在哪些频率通道出现。第二是随机分布：在每个时频格上，多次实现的强度服从什么分布，而不是单个数值。第三是频率覆盖的非对称性：电极直接刺激约 330 赫兹到 6.6 千赫兹，但神经兴奋会向更高特征频率扩散，高频活动是间接、低能量的，不能要求输入频谱直接提供高频细节。

已有确定性逼近做了什么，随机性为什么被单独提出来？

在人工耳蜗与助听领域，已有工作用深度网络逼近听觉模型，把计算量大的生理仿真换成 1 次前向推理。论文列举了正常听力与听损听众的确定性逼近，以及用于语音增强与听损补偿的例子。这类方法的输入输出通常是确定性映射：给定声学特征，输出平均响应或增强波形。

本文强调电刺激场景的特殊性。声电转换后，脉冲在外周轴突或中央轴突附近触发，触发位置取决于电流、脉冲形状、持续时间与纤维生理状态，兴奋还会扩散到邻近纤维。原文引用的生理文献指出，这种伪自发活动与发放率、发放幅度的时变特性是听觉编码的一部分。确定性网络把多次响应的平均当作真值，会抹平协调发放与精细时间线索。

同输入、同目标、同运行阶段的对照应该是：同样以声波或频谱为输入、同样输出神经图、在同样需要大规模或实时仿真的阶段运行。确定性逼近与本文随机逼近属于同任务不同建模假设，不宜直接比谁的结构相似度更高，因为后者故意保留采样噪声。论文因此另设分布一致性评估，而不是只比平均图的像素误差。

要解决的具体映射是什么？难在哪里？

具体任务是：给定 1 秒左右的声音，经 Greenwood 滤波器组得到的频谱图，预测 40 个特征频率、约 187 时间帧的神经图分布。训练时每个音频对应 10 个原模型神经图实现，用于暴露随机性；测试时每个信号各生成 100 次实现再比较分布。

难点有 3 个。第一是分辨率错位：输入 Greenwood 频谱只有 16 个中心频率，覆盖 330 赫兹到 6.6 千赫兹，最高滤波器延伸到 8.4 千赫兹；输出却有 40 个特征频率，覆盖 250 赫兹到 16000 赫兹。高频部分没有直接输入，只能从兴奋扩散模式中间接学。第二是能量不均：高频区能量低、对损失贡献小，网络容易忽视其随机模式，而这些区域恰是激活到静默的过渡带。第三是相关性建模：即使每个格点的边缘分布学准，若各格独立采样，也会丢失跨纤维协调发放与时间连续性，导致重建图看起来更碎。

方法全景：一个样本如何从波形走到随机神经图？

沿一个样本走一遍有助于建立全局依赖。波形 s(n) 先加 2 毫秒首尾静音并填充到 1.2 倍长度，再做短时傅里叶变换，快速傅里叶变换长度 512 点、跳长 19 点，保证频谱帧数能对齐神经图帧数。功率谱经 16 通道 Greenwood 三角滤波器组加权合并，转为相对最大谱功率的分贝值，再做 0 到 6 分贝均匀递增的谱均衡并归一化到 0 到 1，得到 Greenwood 频谱图。

该频谱图进入分层向量量化变分自编码器。底层编码器有 5 个 2 维卷积层，顶层编码器有 2 个 2 维卷积层，各接残差堆叠层。底层编码输出送入顶层编码器，两路输出各自向量量化。顶层解码器上采样恢复维度后，与底层编码输出拼接再量化，最后经底层解码器输出每个时频格的 Gamma 形状参数 k 与尺度参数 θ。采样模块从 Gamma 分布抽样得到估计神经图。

平均发放率神经图 × Greenwood 频谱图： 平均发放率神经图是输出侧的听神经活动表示，按特征频率和时间格点记录发放强度；Greenwood 频谱图是输入侧的声学表示，按耳蜗位置映射的滤波器组压缩短时傅里叶谱。两者搭配的理由是频率分辨率对齐：输入只保留电极直接覆盖的 16 个中心频率信息，输出却要预测 40 个特征频率的兴奋扩散。组合意义是让网络学习从有限电刺激频带到更宽神经兴奋模式的映射，而不是逐点复制频谱。

下图给出整体数据流与张量维度变化，是理解双路径与采样位置的关键。

看图路径： 1. 从最左侧输入 s(n) 向右追踪，经 Greenwood 频谱、底层编码器后分叉为顶层与底层两条路径；2. 确认顶层编码器、向量量化、顶层解码器构成的上方闭环，以及下方直连到底层量化拼接的箭头；3. 查看箭头上标注的张量维度变化，理解粗结构分辨率如何被压缩再上采样恢复；4. 看到最右侧形状 k 与尺度 θ 两个分支汇入采样模块，输出为估计的平均发放率神经图

论文图 1。原论文 Figure 1：“Hierarchical VQ-VAE-2 processing of Greenwood spectrograms, with bottom and top encoders/decoders and vector quan- tization.”。

从像素可见，主路径自左向右依次为 Greenwood 频谱、底层编码器、分叉的顶层编码器与量化、顶层解码器、第二次向量量化、底层解码器、k 与 θ 分支、采样输出。顶层浅紫色块标注粗结构，底层浅绿色大块标注细结构。维度标注显示顶层在更小的时频尺寸上运作，底层保持更大的特征图。这种安排的原文动机是同时满足随机神经图建模与计算效率：粗路径约束全局包络，细路径保留局部纹理，而离散隐变量减少经典变分自编码器的过平滑。

编码器、量化码本与解码器各自做什么？

编码器负责把频谱的谱时间依赖压缩为隐表示。底层编码器层数多、感受野设计偏向保留细节；顶层编码器在底层输出基础上进一步抽象。两路之后各有一个残差堆叠，用于加深非线性而不显著改变分辨率。

向量量化把连续隐向量映射到离散码本条目。原文两层各用 512 条目的码本。量化后接上采样层，使维度与编码器输出对齐再送解码器。离散化的作用是避免对精细谱时间结构过平滑，这对音乐的快速变化与语音的谐波边缘尤其重要。

解码器把离散码还原为分布参数。每个解码器包含 2 维卷积、残差堆叠、转置卷积、最终 2 维卷积与批归一化。顶层解码输出与底层编码输出拼接后再量化，相当于让细结构解码始终能看到粗结构提示。底层解码器最终分出 k 与 θ 两个头。模型总可训练参数为 2366157 个，属于轻量级卷积网络。

分层向量量化变分自编码器 × Gamma 分布采样： 分层向量量化变分自编码器负责确定性结构建模，用顶层捕捉粗糙包络、底层捕捉精细谱时间细节，并用离散码本减少过平滑；Gamma 分布采样负责随机性建模，把解码器输出的形状参数 k 和尺度参数 θ 转为每个时频格的连续分布再采样。搭配原因是梯度训练需要可微的连续近似，不能直接用离散不可微的泊松采样。组合后网络 1 次前向给出全图的分布参数，多次采样即可得到不同的随机神经图实现。

需要提醒的是，k 与 θ 依赖整个感受野，但采样对每个时频格独立进行。原文明确指出这是重建图偏 noisy 的原因：相邻格的时间谱相关没有被采样过程显式建模，协调发放难以复现。

顶层路径 × 底层路径： 顶层路径处理降采样后的粗结构，编码器输出经量化再由顶层解码器上采样恢复空间维度；底层路径处理全分辨率的细结构，直接保留局部纹理。顶层解码输出会与底层编码输出拼接后再做 1 次向量量化，提供额外的粗结构信息。组合意义是让细结构重建始终在全局包络约束下进行，避免高频弱能量区被噪声淹没时完全漂移。

为什么用 Gamma 分布而不用泊松分布？

听神经脉冲生成常用泊松分布建模，但泊松采样是离散的，不可直接微分，难以嵌入基于梯度的网络训练。论文选择连续的 Gamma 分布作为可微近似，实现高效稳定的随机采样。Gamma 的概率密度由形状 k 与尺度 θ 决定，原文记速率 r 等于 1 除以 θ，能表达多种分布形态，适应不同刺激条件下的响应模式。

在实现上，网络不直接输出脉冲计数，而是输出每个时频格的 k 与 θ。训练时用目标神经图值计算 Gamma 负对数似然，推理时从该 Gamma 抽样得到随机神经图。这种设计把随机性从网络权重中解耦出来：权重确定后分布参数确定，多次采样仍能产生不同实现，从而复现原模型的逐次可变性。

教学例子：可以把 k 理解为控制分布峰形陡峭程度的旋钮，把 θ 理解为控制拉伸尺度的旋钮。例子仅用于直觉，不代表论文给出具体数值对应关系。原文未报告 k 与 θ 的取值范围与初始化方式，这是复现时需要自行记录的缺项。

损失如何组合，优化与早停如何执行？

总损失由重建损失与向量量化损失相加。重建损失是负对数似然与指数均方误差各取一半权重相加。负对数似然对批量、频率、时间 3 维求平均，包含对数 Gamma 函数项、k 乘对数 r 项以及与目标值相关的两项。指数均方误差先对预测与目标各取 0.3 次幂再算平方差，目的是压低高能量成分的主导，让低能量区也能被平衡重建。量化损失是承诺损失，系数为 0.2，约束编码器输出与量化码向量之间的距离。

优化用 PyTorch 的 Adam，学习率 5 乘 10 的负 5 次方幂并带学习率调度器。最大 100 轮，若验证误差 20 轮无改善则早停，保存验证误差最小的模型。原文未给出调度器类型、批量大小、权重衰减与梯度裁剪细节，也未说明码本是否用指数滑动平均更新，这些是复现时需补记的缺项。不应从模型名称推定其使用了特定量化梯度直通实现。

负对数似然损失 × 指数加权均方误差： 负对数似然损失监督预测的 Gamma 分布与目标神经图值的分布一致性，直接优化 k 和 r 的取值；指数加权均方误差对预测采样值与目标值做 0.3 次幂压缩后再算平方误差，压低高能量成分的主导作用。两者搭配是因为只用似然容易忽视逐点重建精度，只用均方误差则学不到方差。组合后重建损失同时约束分布形状和点值平衡。

训练数据的随机性来源是每个音频计算 10 次原模型神经图。网络每次看到同一频谱可能对应不同目标实现，从而被迫学习分布而非记忆单次实现。这是数据驱动逼近随机性的关键构造，不是简单的数据增强。

数据、耳蜗仿真与评估协议如何对齐？

训练与验证共 9000 段音频，来自 LibriVox 语音、UrbanSound、DEMAND 噪声与 FMA 小音乐库，其中音乐占 50%，语音占 50%，语音中 30% 干净、70% 按负 15 分贝到 30 分贝、步长 5 分贝加环境噪声。测试集另选 100 段，语音来自 TIMIT 与 VCTK，噪声来自 Sound Ideas 6000 库，音乐来自 MedleyDB 第二版，避免与训练库重叠。所有信号时长 1 秒、采样率 24 千赫兹、平均声压级 65 分贝。

神经图生成先用 GMT 工具箱按 SpecRes 策略把音频转为电极图，采样率 1 兆赫兹、16 个电极，中心频率 330 赫兹到 6.6 千赫兹，加 2 毫秒首尾静音并填充到 1.2 倍以捕捉自发放电。再经听神经模型仿真 40 个特征频率、每个频率 50 根纤维，每根纤维在 1 兆赫兹下单独仿真以保留脉冲定时与随机性，最后归一化到 0 到 1。

评估分两支。每信号各生成 100 次实现，逐时频格比较强度分布的 Jensen-Shannon 散度，0 表示完全重叠、1 表示无相似；用神经图相似性指数比较结构相似度，0 到 1 越大越相似。结构比较时还计算 10 次平均图的相似度，以降低逐像素采样噪声。聚合时对所有测试信号平均，并按音乐、干净语音、含噪语音分组报告。

下表整理数据划分与基础音频条件，比较问题是训练与测试是否在库、时长与电平上可比，公平条件是时长与电平均固定、测试库独立。

上表显示训练验证测试在时长、采样率与声压级上一致，测试库独立是泛化判断的前提；代价是训练音乐与测试音乐库不同，风格差异可能引入域偏移，需在解释音乐指标偏低时考虑该边界。

主结果：结构保住了吗，分布像了吗？

先看结构。论文图 2 并排显示同一音乐与语音样本的原模型图与逼近图，颜色表示脉冲计数。逼近图复现了主要亮带跨时间频率的位置，语音的静音间隙仍为深色低发放区，音乐的持续宽带活动仍连续。直接观感是逼近图更 noisy，颗粒感更强，尤其在高频弱能量区。

Jensen-Shannon 散度 × 神经图相似性指数： Jensen-Shannon 散度逐时频格比较原模型与逼近模型各 100 次实现的强度分布重叠程度，取值 0 表示完全重叠、1 表示无相似，用于检验随机发放统计；神经图相似性指数比较两幅神经图的结构相似度，取值 0 到 1，用于检验整体谱时间结构。搭配原因是单一结构指标会被平均抹平随机差异，单一分布指标又看不出空间连续性。组合评估才能同时回答分布像不像与看起来像不像。

下图是该对比的可核对版本，需按图例确认对象与范围后再判断好坏。

看图路径： 1. 对比上排原模型与下排逼近模型在同一音乐与语音样本下的整体亮带位置；2. 观察横轴 0 到 1.2 秒内语音的静音间隙是否为深色低发放区，音乐是否为连续宽带活动；3. 比较纵轴低频 250 赫兹附近与高频 16000 赫兹附近的纹理粗细，判断逼近图是否更 noisy；4. 查看最右侧颜色条确认颜色代表每个时频格的脉冲计数，而非分贝谱能量

论文图 2。原论文 Figure 2：“CI mean-rate neurograms obtained from the auditory model (top) and DNN-based approximations (bottom) for an example music signal (left) and example speech signal (right).”。

从像素看，上排为原模型、下排为逼近模型，左列音乐、右列语音，横轴 0 到约 1.2 秒含填充静音段，纵轴为特征频率 250 到 16000 赫兹，右侧颜色条 0 到 487 为脉冲计数。音乐在 0.5 秒附近中频出现黄色高计数亮斑，逼近图在相近位置也有对应亮斑但边缘更毛糙；语音在 0.15 到 0.4 秒有孤立高能量音节，逼近图保留了位置但背景噪点更多。这支持全局谱时间结构被有效捕捉、细粒度相关未完全建模的判断。

分布评估显示低中频准确、静默期自发放电也被复现。时频 JSD 图在低频大面积深蓝低值，高频出现绿色高值带。按原文，有约 6 到 7 千赫兹误差明显增大，高频区能量低、对损失贡献小，且电极直接刺激只到约 6.6 千赫兹，更高频靠兴奋扩散间接产生、功率极低并伴随激活到静默的切换，难以学习。语音的 JSD 标准差大于音乐，因为语音有更频繁的活动静音切换，含噪语音更难。

下表把模型规模、仿真配置与计算成本放在同一框架下比较，比较问题是随机逼近是否以可运行成本复现了必要的仿真维度。

上表的主要收益是计算时间从近 69 秒降到图形处理器上约千分之 4.6 秒、中央处理器上约千分之 21 秒，支持大规模或时间敏感仿真的动机；具体代价是逼近模型用分布参数概括 50 根纤维的群体统计，不显式建模底层生理机制，生理与行为相关性仍待验证。

哪里失败最明显：高频与语音切换意味着什么？

本节承担反证任务：找出未胜出项与边界。最清晰的失败带在高频。JSD 均值随特征频率曲线在低中频平坦约 0.2 到 0.4，到约 6155 赫兹附近隆起后再回落，音乐、干净语音、含噪语音 3 条曲线均有类似趋势。时频 JSD 图也在顶部高频带出现连续绿色高值，而低频保持深蓝。这不是末步偶然，而是全测试集平均后的系统性隆起。

下图专门检验该频率依赖，需要区分分布曲线与单样本标记后再读数。

看图路径： 1. 先看左侧两幅时频 JSD 图，确认高 JSD 亮色集中在哪个特征频率横带；2. 再看右侧平均 JSD 随特征频率变化曲线，找出约 6 千赫兹附近的隆起位置；3. 对比音乐、干净语音、含噪语音三条曲线的均值与阴影标准差宽度；4. 结合颜色条 0 到 1 确认 JSD 越小表示分布越重叠，不能把亮带直接读成发放强度高

论文图 3。原论文 Figure 3：“Jensen–Shannon divergence (JSD) between original and DNN-generated neurograms.”。

从像素看，左侧两幅 JSD 时频图与图 2 样本对应，横轴为时间、纵轴 250 到 16000 赫兹，右侧颜色条 0 到 1 为散度；右侧折线横轴为特征频率、纵轴为平均散度，3 条曲线分别代表音乐、干净语音、含噪语音并带阴影标准差。可见高频带散度系统性偏高，语音阴影更宽。原文解释有 3 层：高频低能量导致训练权重小；高频响应靠兴奋扩散间接产生；输入 Greenwood 谱只到约 6.6 千赫兹，更高频必须隐式学习扩散模式。

另一类细节是内容差异。神经图相似性评估报告原图之间约 0.90 到 0.94，逼近图之间约 0.70 到 0.80，10 次平均图之间原与逼近约 0.90 到 0.91。原图之间略低于 1 反映固有随机性；逼近图之间更低说明逼近复现了部分随机可变性但变化更大；平均后结构相似度回升说明均值结构接近。语音尤其干净语音的结构指标略好，可能因其结构更可预测、高频成分更少、静音间隙更多，但原文用可能表述，未做因果验证。

哪些结论不能下，哪些验证还没做？

论文直接报告的是：在低中频与自发放电段分布接近，平均图结构相似度高，计算更快。有限解释是：高频误差与独立采样假设相关，语音可预测性可能是其指标略好的原因。这些解释有机制 plausibility，但未做消融验证，例如未比较相关采样与独立采样的差异，未报告去掉顶层路径或改码本大小后的变化。

未验证的推测不应写成结论。逼近复现了统计可变性，不等于复现了不应期、抖动等生理机制；结构相似度高不等于言语可懂度或音乐感知预测更准，因为未测行为指标；计算更快不等于端到端实时系统延迟更低，因为原文只报单秒音频的前向耗时，未报帧级流水延迟、内存占用与批处理条件。总体趋势不等于每组每步成立，高频每帧仍可能偏离。

资源状态方面，耳蜗仿真依赖的第三方 GMT 工具箱当前可用，已公开链接可达；这只是仿真工具可得，不代表本文训练权重已发布。原文未报告权重下载与完整复现代码，不能写系统开箱可运行。

要复现，先固定什么，再跑什么？

先固定信息条件。音频统一到 24 千赫兹、1 秒、65 分贝声压级，加 2 毫秒首尾并填充到 1.2 倍。频谱用 512 点快速傅里叶变换、跳长 19 点，16 通道 Greenwood 三角滤波器按特征频率公式映射，最高通道延伸到 8.4 千赫兹以匹配 SpecRes 谱生成，转分贝相对最大谱功率，做 0 到 6 分贝谱均衡并归一化到 0 到 1。神经图用 40 个特征频率 250 赫兹到 16000 赫兹、每频率 50 根纤维、1 兆赫兹仿真，重分箱 100 微秒、12.8 毫秒半重叠汉明窗平滑，归一化到 0 到 1。

再固定训练评估。每个训练音频算 10 次神经图实现，测试每信号各算 100 次实现。优化用 Adam、学习率 5 乘 10 的负 5 次方幂、早停耐心 20 轮、最多 100 轮，损失为负对数似然与 0.3 次幂均方误差各半加承诺系数 0.2。评估逐格算散度、成对算结构相似度，并对 10 次平均图再算 1 次结构相似度，分音乐、干净语音、含噪语音报告。

下表汇总可直接照抄的超参数与协议要点，回答何时值得尝试与先做什么。

上表说明值得尝试的时机是需要大量重复仿真或快速原型电极策略时，先做的是对齐频谱与神经图帧数、固定随机种子后复现低频分布；还需补的验证是相关采样、行为可懂度预测与帧级延迟测量，不能仅凭平均结构相似度部署到助听设备。

收束：这项工作改变了什么，没有改变什么？

改变的是建模假设：从学平均图改为学每个时频格的 Gamma 分布，再用采样产生多次实现。这让数据驱动逼近第 1 次显式处理电刺激听神经模型的随机性，并在低中频与静默段得到分布与结构双重支持，同时把单秒仿真从近 70 秒降到毫秒级，为大规模仿真、策略测试与感知信号处理提供了快速替代。

没有改变的是生理机制建模与高频精细相关。独立采样假设保留了边缘分布但丢了跨通道跨时间协同，高频间接兴奋仍难学，学到的可变性是否具有生理与行为意义尚未评估。后续工作应先补相关采样或自回归结构，再做可懂度与音乐感知相关的外部验证，最后才谈实时系统收益。对刚入门的研究生而言，复述时应先讲清输入输出分辨率错位，再讲双路径与 Gamma 采样的分工，最后用频率依赖的失败带来限定结论的适用边界。

⚖️ 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