先对齐延迟再学左右耳差异：Spec2Spatial 的时频空间建模

英文题目：Spec2Spatial: A Time-Frequency Spatial Attention Network for Binaural Audio Synthesis

会议身份：conference:interspeech:2026:conference-paper-id:he26b_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 #时频分析 #空间音频信号 #语音 #空间音频渲染

评分：6.2/10 | 创新 1.2/2 | 技术严谨 1.2/1.5 | 实验充分 1.0/1.5 | 清晰度 0.7/1 | 影响力 1.0/1.5 | 开源 0.2/1.5 | 可复现 0.1/0.5 | 工程/实践 0.8/1.5

排名：前50% | 文档类型：方法研究

👥 作者与机构

• Changjun He：机构信息未能从会议 PDF 纯文本可靠映射
• Wenjie Zhang：机构信息未能从会议 PDF 纯文本可靠映射
• Shiyun Xu：机构信息未能从会议 PDF 纯文本可靠映射
• Lianyu Zhou：机构信息未能从会议 PDF 纯文本可靠映射
• Weiping Chen：机构信息未能从会议 PDF 纯文本可靠映射
• Mingjiang Wang：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

双耳合成需由单声道语音与7维声源位置姿态序列生成左右双通道波形，难点在于同时复现频率相关的耳间强度差与耳间时间差，且几何时延与房间混响耦合难以直接建模。Spec2Spatial先经时域弯折模块按声源到双耳距离与声速做几何时移粗对齐，输出粗对齐双通道波形并经短时傅里叶变换得到拼接频谱进入编码器。编码器由卷积下采样与耳间空间注意力网络交替堆叠，在通道与频率维做门控与能量加权以建模跨耳对应，输出多尺度空间特征进入解码端。解码端由条件融合残差网络以位置姿态经特征线性调制仿射调制频谱并融合通道注意力，逐层上采样输出左右耳复数掩膜，与弯折谱相乘后经逆变换重建波形。相对已有时域扩散与频域位移方法，该链条把几何时延显式前置，再以注意力学习残余耳间差异并以位置调制约束频谱，因而更直接对应强度差与时间差的物理成因。在Binaural Speech数据集评测设置下，Spec2Spatial的MRSTFT指标为1.174，低于NFS的MRSTFT指标1.241。该结论适用边界受限于KEMAR人头1.5米近场录音与已知位置条件，跨房间与跨数据集泛化尚未验证。原文未披露训练、推理或部署成本。

🔗 开源与复现资源

• 演示资源：https://SpatialAudioDemo.github.io/Spec2Spatial/ — 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，输出是什么，哪些信息不能丢？

这篇论文只做 1 个任务：给定一段单声道语音和同步记录的声源位置姿态，合成对应时刻左右耳应听到的双耳语音。输入有两路，一路是长度为 T 的单声道波形，另一路是长度为 L 的位置姿态序列，每个姿态用 7 维向量表示，其中 3 维是位置、4 维是朝向。输出是 2 通道波形，分别对应左耳和右耳。初学者容易把这个任务理解成单声道转立体声，但论文强调必须保留的信息是声传播过程带来的耳间差异：同一声源到左右耳距离不同，到达时间不同，被头和躯干遮挡后的幅度也不同。如果模型只学会把单声道复制成两路，或者只学会整体混响，听感上内容可懂但位置感消失，就不算完成任务。

沿一个样本走一遍有助于建立依赖关系。说话人戴着靠近嘴的麦克风录单声道，同时人工头左右耳录双耳真值，动捕系统同步记录说话人位置。训练时模型看到单声道加位置，目标是复现人工头录到的左右耳波形。推理时同样需要单声道和位置姿态，没有位置就无法确定该把哪一侧做响、哪一侧做延迟。因此位置不是可选的辅助标签，而是决定左右耳差异方向的必要条件。论文把声源到双耳的传播看作需要显式建模的物理过程，而不是让网络从波形中凭空猜测，这是后文先做几何弯折再做时频精化的依据。

同输入同目标的前人走了哪几条路？

按相同输入、相同目标、相同运行阶段对照，前人主要有 4 条路。第一条是传统数字信号处理路：把声源到耳的传播看作线性时不变系统，用头相关传输函数、房间响应和环境噪声建模。做法简单直接，但论文指出已有头相关传输函数是离散的，未测位置需要插值，会引入误差并在系统中累积。第二条是多模态路：用视频帧做辅助条件合成双耳音频。论文指出这类方法训练时用左右耳录音混合成的伪单声道做输入，没有建模真实的声源到耳传播。

第三条是端到端神经合成路：包括时域直接合成、扩散模型、频域傅里叶位移网络、离散量化自编码器、条件流匹配，以及用网络估计头相关传输函数或脉冲响应再合成。第 4 条是本文直接继承的时域弯折路：先用简单几何计算模拟声源到耳的延迟，再让网络精化。

这些路线的差别不是谁用了更大的模型，而是监督来源和物理约束不同。传统路依赖外部测量的头相关传输函数库，多模态路依赖视频与音频对应关系，端到端路依赖大量配对的单声道双耳数据学习映射，时域弯折路则把几何延迟作为先验固定下来。论文的判断是：已有端到端方法在耳间时间差和耳间声级差上仍与真实录音有明显差距，而人类空间听觉主要依赖这两条线索，因此需要在时频域显式建模耳间关系并注入位置条件。这一定位决定了后文两个新模块的分工。

为什么时域对齐之后还要做时频域？

问题可以拆成两步。第一步是粗延迟：声速有限，声源偏向一侧时，两耳波形整体错开几个采样点。这一步用几何公式就能算出大概，不需要学习。第二步是频率依赖的精细差异：高频更容易被头遮挡，左右耳幅度差随频率变化；房间反射和头部散射也会让不同频带的相位改变量不同。只做时域整体平移，只能给出粗略的耳间延迟近似，无法复现这种随频率变化的耳间线索。

举一个教学用的例子，不代表论文数值：假设声源在听者右侧，右耳信号整体稍早且稍响，但这种稍响不是所有频率等比例放大，高频差得更多。如果模型只学一个整体增益和一个整体延迟，低频可能对了，高频的空间感仍是错的。论文因此把精化放在短时傅里叶变换域，让网络在时间和频率 2 维网格上操作。短时傅里叶变换在这里是白话说的切窗看频谱：把长波形切成重叠短窗，每窗看 1 次频率成分，得到时间乘频率的特征面。后续的注意力与掩码都作用在这个特征面上。

Spec2Spatial 让样本走完哪条主路？

主路可以按输入到输出复述。单声道波形与位置姿态先进入时域弯折模块，按每耳延迟对单声道做时域平移，得到初步弯折的双耳波形。这一步是固定的几何计算，不含需要学习的空间细节。

接着对弯折后的左右耳分别做短时傅里叶变换，得到时频特征并拼接成双通道时频张量。编码阶段用交替的 2 维卷积与耳间空间注意力提取多尺度特征，解码阶段用条件融合残差网络与上采样逐层恢复分辨率，每层把对应尺度的编码特征相加复用。最后经重塑与多个线性层输出左右耳各自的复数掩码实部虚部，与弯折信号的时频表示相乘，再做逆短时傅里叶变换回到左右耳波形。 下图是理解分工的关键，先看主路径再看两个分支在哪里汇合。

看图路径： 1. 先从左侧单声道与位置姿态输入出发，沿时域弯折到拼接频谱再到编码解码主路走一遍；2. 观察编码侧黄色编码块与解码侧蓝色上采样块之间逐层相加的位置；3. 对比右图注意力分支中上下两路能量分析模块如何汇合再与残差相加；4. 确认最上方复数掩码经逆短时傅里叶变换回到左右耳波形的位置

论文图 1。原论文 Figure 1：“Diagrams of (a) the overall structure of the Spec2Spatial network and (b) the interaural spatial attention network (ISAN).”。

左半部分显示了从单声道经时域弯折到频谱拼接，再经由左侧黄色编码栈与右侧蓝色解码栈到顶部掩码与逆变换的完整回路，位置姿态同时送入弯折模块与每一层解码。右半部分放大了编码中的注意力块，显示通道线性、切分、频率线性与能量分析模块的连接。

解码侧每一步都把上采样后的条件融合特征与同尺度编码特征相加，这种跳连让高层位置感知与底层声学细节同时保留。最终的掩码不是直接生成波形，而是对弯折信号做乘性修正，这意味着几何先验始终作为基底，网络只学残余的空间修正。

注意力块与条件融合块各自算什么？

耳间空间注意力网络是编码器的核心。白话说，它负责回答在每个时间每频率上，左右耳信息该如何互相参照。输入是时频特征，先经通道线性层加激活函数混合通道，再沿通道切成两半，一半当门控分支，一半当内容分支。

门控分支先沿频率维做线性投影，实现与频率有关的调制，再把频率与通道维度堆叠；内容分支同样堆叠后，两路一起送入能量分析模块。能量分析模块用两条轻量分支：时间分支在堆叠维度上做平均池化再经 1 维卷积加激活得到时间权重，频率分支在时间上做平均池化再经 1 维卷积加激活得到频率权重，两者外积得到时频能量注意力图，再按元素相乘加权特征。最后门控与内容特征相乘形成空间门控，经线性层映射回原通道数并加残差输出。

时域弯折 × 耳间空间注意力网络： 时域弯折负责按声源到左右耳距离做粗略时延对齐，分工是解决传播延迟主干；耳间空间注意力网络负责在时频域捕捉与频率有关的左右耳电平与时间对应关系，分工是细化频率依赖的空间线索；二者搭配的原因是仅有时延无法产生正确的声级差，仅有时频建模又难以从零学到大范围延迟，组合后形成先对齐再精化的 2 级机制。

条件融合残差网络是解码器的核心。白话说，它负责把位置姿态翻译成对谱特征的逐点调制。输入有两路，一路是时频特征，一路是位置姿态条件。

时频特征先经膨胀卷积扩大感受野，捕捉长程时频依赖；条件向量经重塑与线性层变成与通道数相关的特征，再切分成缩放因子与偏置因子，经插值对齐到时频网格，用线性变换调制主路特征。这种做法源自特征线性调制思想，让同一套声学特征在不同位置下产生不同左右耳差异。旁路同时对特征做 1 维卷积后分别做平均池化与最大池化，生成通道注意力，按元素相乘强调通道间分布差异，再与主路相加形成残差输出。 下图把条件融合块的双路结构画得很清楚，值得对照文字走一遍。

看图路径： 1. 先区分顶部两路输入，左侧为位置条件右侧为时频特征；2. 沿左侧重塑线性切分插值链条看条件如何变成调制量；3. 沿中间膨胀卷积与右侧平均最大池化两路看主路与旁路如何汇合；4. 确认底部加法残差是主路输出与通道注意力输出相加

论文图 2。原论文 Figure 2：“Diagrams of the condition fusion residual network (CFRN).”。

图中左侧条件链从重塑经线性切分到插值，粗箭头表示调制量送入中间的乘法节点；中间主路从膨胀卷积经激活到 1 维卷积；右侧旁路从 1 维卷积经平均池化与最大池化汇入点乘节点，最后底部加法形成残差。这种画法对应文字中的两条职责：中间与左侧完成位置对谱面的仿射调制，右侧完成通道间差异强调。

短时傅里叶变换 × 复数掩码： 短时傅里叶变换负责把弯折后的双耳信号变成时间频率表示，分工是暴露频率依赖的耳间差异；复数掩码负责对左右耳实部虚部分别做乘性修正，分工是把网络学到的空间特征落回可逆变换的信号；搭配原因是掩码必须作用在同一时频网格上才能同时改幅度与相位，组合意义是让注意力与位置条件最终表现为可听的左右耳波形变化。

能量分析模块 × 条件融合残差网络： 能量分析模块负责从时间分支与频率分支生成时频能量注意力，分工是告诉网络在何时何频加强跨耳交互；条件融合残差网络负责把声源位置姿态变成缩放与偏置并调制谱特征，分工是注入几何条件；搭配原因是前者只看信号内容、后者只看外部位置，组合后网络既知道信号哪里重要，又知道该位置应产生多大耳间差异。

需要提醒的是，论文没有报告注意力头数这类 Transformer 式超参数，这里的注意力是能量加权门控，不是多头自注意力。

复述时不要把门控分支的频率线性层说成跨时间自注意力，也不要把条件融合中的缩放偏置说成拼接后卷积，前者是乘性门控，后者是按位置生成的仿射参数。

损失由哪三项组成，优化如何设置？

训练是有监督回归，不是无监督或自监督。监督来源是同一时刻录到的单声道、位置姿态与人工头双耳真值。模型输出的双耳波形与真值比较，损失由三项加权组成：时域波形均方误差、频域相位损失和多分辨率短时傅里叶损失。论文把三项权重分别设为 1.0、0.01 和 0.01。白话说，波形项管整体波形对齐，相位项管与延迟定位有关的相位结构，多分辨率项管不同窗长下的幅度谱相似性。

多分辨率短时傅里叶损失 × 相位损失： 多分辨率短时傅里叶损失负责在多个窗长下比较幅度谱相似性，分工是约束整体音色与混响结构；相位损失负责比较时频相位误差，分工是约束与耳间时间差直接相关的延迟结构；搭配原因是幅度对了相位仍可能错位，组合后时域波形损失、幅度损失与相位损失共同防止模型只拟合能量而丢掉定位信息。

优化器用 Adam，学习率用余弦退火策略调整。短时傅里叶变换用窗长 1024 采样、跳长 128 采样；编码解码中上下采样卷积的核大小、步长和填充分别设为 4、2 和 1。论文未报告批大小、训练轮数、早停规则和随机种子，也未说明是否有参数冻结或分阶段训练，因此复述时只能说模型参数用上述优化器更新，不能推定哪一层冻结或哪一步停止梯度。时域弯折是固定几何计算，不参与学习。

可学习的是编码解码中的卷积、注意力与条件融合参数，梯度来自三项损失之和对最终波形的反传。推理时不需要真值双耳，只需单声道与位置姿态，按同样前向流程生成掩码并逆变换得到波形。

实现细节中哪些数必须照抄才能复现？

复现先抄 3 组数。第一组是前后端信号参数：短时傅里叶变换窗长 1024、跳长 128。第二组是上下采样卷积参数：核大小 4、步长 2、填充 1。第 3 组是损失权重：波形项 1.0、相位项 0.01。优化用 Adam 加余弦退火，但论文未给初始学习率、批大小与轮数，这是具体缺项，复现时需要自己搜索并记录，不能默认原论文用了常见值。

下表把可重放参数与缺失项并列，原文单位保留在参数列描述中，数值格保留裸值以便逐字核对。

上表说明可重放的部分是信号与损失权重，不可重放的部分是训练预算与随机性控制。演示页当前可用，链接状态为可达，但这只表示可以试听，不等于代码权重已公开或系统可一键运行。复现时应先固定划分与采样率，再按上述 3 组数搭建前后端，最后补做学习率与批大小搜索，并用耳间差异指标而非仅用波形损失选模型。

数据、划分与评价指标如何固定？

实验只用 Binaural Speech 数据集。采集方式是 8 名说话人围绕人工头在 1.5 米范围内边移动边说话，每人约 15 分钟，共约 2 小时。

单声道由靠近嘴的麦克风采集，双耳由人工头左右耳麦克风采集，单声道与双耳采样率都是 48 kHz，位置姿态由动捕系统以 120 Hz 记录。论文明确说为公平比较，沿用原始文献的训练验证测试划分，没有自己重划分。

评价分两类。客观指标有 6 个：波形均方误差、短时傅里叶变换后相位域均方误差、幅度域均方误差、多分辨率短时傅里叶损失、耳间声级差误差和耳间时间差误差，前三者越小表示整体波形或谱面越接近，后三者越小表示空间线索与频谱结构越接近，其中耳间声级差单位为分贝、耳间时间差单位为毫秒。

主观指标有 3 个：总体自然度平均意见分、空间感平均意见分和与真值相似度平均意见分，范围 1 到 5，1 为差、2 为一般、3 为中性、4 为好、5 为优秀。主观实验找 20 名参与者，先听真实双耳参考并经过熟悉与试评，再正式打分并报告 95% 置信区间。

从数据条件看，比较问题是该结果在什么采集与采样条件下取得，公平条件是后文所有模型共用同一划分。具体为说话人 8 人且在 1.5 米范围内移动，每人约 15 分钟共约 2 小时，音频采样率 48 kHz 而位置记录采样率 120 Hz，位置姿态为 3 维位置加 4 维朝向共 7 维，划分沿用原始文献一致划分。

上述条件说明这是一个小规模同域数据集，优势是单声道双耳位置三者同步，限制是说话人、房间和人工头都固定。任何跨房间、跨人工头或音乐泛化的结论都需要额外验证，不能从该条件描述直接推广。

主观评价与客观评价如何配合？

客观评价回答谱面与空间误差有多大，主观评价回答人是否听得出位置感与自然度。客观上用 6 个指标同时看整体与空间，主观上用 3 个平均意见分看自然度、空间感与相似度。20 名参与者先听真实双耳参考，再经熟悉与试评后打分，这种流程让相似度打分有锚点，减少因个人偏好漂移带来的偏差。论文报告 Spec2Spatial 三项主观都最高，BinauralGrad 次之，传统方法因通用库与未知房间在相似度上尤其差。

需要区分的是，自动指标不能当成人评。即使多分辨率损失与耳间误差最优，也只能说支持更接近真值，不能直接承诺每个人在每段音频上都觉得定位准确。反之，主观最优也不能反推每个客观指标都最优，事实上波形项就不是最优。正确的配合是：用客观指标做模型选择与消融，用主观评价做最终听感确认，且两者都只在该数据集的房间、人工头与说话人分布下成立。

主结果在哪些指标上领先，代价是什么？

比较问题是：在同一 Binaural Speech 划分下，Spec2Spatial 与经典数字信号处理、WaveNet、WarpNet、BinauralGrad 和 NFS 相比，空间指标与整体谱指标是否同时变好。公平条件是都以单声道加位置为输入、以人工头双耳为真值；指标方向都是越小越好。论文报告 Spec2Spatial 在多分辨率短时傅里叶损失、耳间声级差和耳间时间差上最优，在波形均方误差、相位误差和幅度误差上排第二。论文同时提醒波形均方误差不是好的双耳质量指标，因为它在双通道整体上计算，即使数值更低，空间感仍可能差，而耳间时间差与声级差才是人类空间听觉更看重的依据。

下表整理主观与客观对照下的客观最优项，表头单位保留原文写法，数据格保留裸值以便与原文逐字核对。

上表的主要收益是 3 个空间相关指标同时最优，且其余三项保持第二，没有用牺牲整体谱质量换空间指标。具体代价有两处：一是波形均方误差并未最优，说明整体波形逐点拟合仍有改进空间；二是数字信号处理基线用的是通用头相关传输函数库且房间信息未知，在该数据集上表现特别差，不能把这组差距理解成神经方法在任何房间都必然胜出。主观评价显示 Spec2Spatial 在自然度、空间感和相似度三项平均意见分上都超过其他模型，BinauralGrad 排第二，但主观样本量只有 20 人且为同域试听，跨域音乐与歌曲的泛化在正文中只以演示页提及，未给出同等严格的客观对照。

耳间声级差 × 耳间时间差： 耳间声级差描述左右耳幅度之差，分工是反映头部遮挡与距离带来的能量线索；耳间时间差描述左右耳到达时间之差，分工是反映声程差带来的相位延迟线索；二者搭配评价的原因是人类空间听觉同时依赖这两条线索，组合意义是只看波形均方误差会掩盖空间错误，必须分别考核幅度和延迟才能判断合成是否具有空间感。

还需说明一个未胜出项：论文承认波形损失较低不等于双耳质量好，因此复述时不要把波形第 2 名说成缺点，也不要把空间三项最优说成整体全面碾压。正确的表述是支持在该数据集与该划分下，显式时频耳间建模更好地保留了定位线索，但逐点波形拟合仍不是第一。

拿掉每个模块会发生什么？

消融要回答每个模块是否必要。论文设了 4 种变体：只用时域弯折、去掉时域弯折、去掉能量分析模块、去掉条件融合残差网络。只用时域弯折表示不做任何时频精化，直接把几何延迟结果当输出；去掉时域弯折表示直接对单声道谱特征建模；去掉能量分析模块表示注意力块中不再做时频能量加权；去掉条件融合表示解码时不再用位置生成仿射调制，而是直接合并条件与特征。

下表整理 4 种变体的定性排序与完整模型的最优裸值，表头单位保留原文写法以便核对耳间差异变化。

上表显示每个模块都有贡献，但机制不同。只用时域弯折在声级差上最差，支持时域平移本身不改变声级、必须有时频精化的判断；去掉时域弯折后全面变差，支持几何先验降低了学习难度；去掉能量分析后声级差恶化更明显，支持能量加权对幅度线索的作用；去掉条件融合后多分辨率损失与两项耳间误差都变差，支持位置调制对空间准确性的作用。论文未报告去掉某一层注意力或只保留单分支的更细消融，也未做统计显著性检验，因此只能说在该次实验中观察到上述排序，不能推广为每一步都必然成立。

哪些结论不能从现有证据推广？

第一，未测量成本。论文没有报告参数量、训练时长、推理延迟与实时率，也没有说明扩散基线与本方法在相同硬件下的开销对比，因此不能说本方法更快或更省，只能说在质量指标上取得上述排序。第二，未验证跨域泛化。训练数据只有约 2 小时同域语音，音乐与歌曲的外部分布表现只在演示页提及，正文没有给出与主表同等条件的数字对照，可能的表现好坏属于待验证。第三，位置依赖仍在。

模型需要同步的位置姿态输入，如果位置噪声大、缺帧或房间变化，效果如何论文没有测试，不能假设去掉位置仍能工作。第四，主观边界有限。20 人同域试听支持结论，但不同耳机、不同听者头部尺寸与不同房间下的稳定性未评测。

这些缺失不是技术错误，而是证据边界。复述时要用报告显示表达已验证的排序，用支持表达有消融支撑的机制解释，用可能或待验证表达跨域与成本推测。把相关性说成因果、把趋势说成每组都成立、把演示试听说成严格评测，都是初学者容易犯的错误。

要重做一遍，先做什么再补什么？

先做数据与前后端。按原始划分准备 Binaural Speech，保证单声道、双耳与 7 维位置姿态同步，音频重采样到 48 kHz、位置对齐到 120 Hz 的记录方式。按窗长 1024、跳长 128 实现短时变换与逆变换，先验证不用网络时弯折加逆变换能否跑通。再按核 4 步 2 填充 1 搭建上下采样，按损失权重 1.0、0.01、0.01 实现三项损失，先跑通完整模型的前向与反向。

再补训练与评价。优化器选 Adam 并加余弦退火，但初始学习率、批大小、轮数与种子需要自己网格搜索并固定。评价时同时计算 6 个客观指标，重点看多分辨率损失、耳间声级差与耳间时间差，不要只看波形损失选模型。消融按只用弯折、去掉弯折、去掉能量分析、去掉条件融合 4 种重做，观察声级差与多分辨率损失的变化是否复现原文方向。主观评价若要重做，至少保留真实双耳参考、熟悉试评与 20 人规模，并报告置信区间。还需补的验证是位置噪声鲁棒性、跨说话人与跨房间测试，以及推理延迟与参数量记录，这些是原文未报告但决定能否部署的关键信息。

何时值得尝试这个方案？

当任务同时满足 3 个条件时值得尝试：输入有同步的声源位置姿态，输出要求保留左右耳定位线索，数据是小规模同域配对录音。此时先用几何弯折固定大范围延迟，再让网络在时频域学频率依赖的幅度与相位修正，比从零学映射更符合物理直觉，论文的消融也支持这一分工。如果没有位置输入，或者目标只是整体音质增强而不要求定位，这个方案的优势就不存在，不应强行套用。

回到中心矛盾：单声道本身不含方向，方向必须来自位置条件与双耳真值监督。Spec2Spatial 的选择是把方向拆成粗延迟与细差异 2 级，前者用公式算，后者用注意力与条件调制学。在 Binaural Speech 上的证据是空间三项最优且整体谱保持第二，主观三项也最高。收束时记住边界：结论限于该数据集的房间、人工头与划分，成本与跨域仍待验证。复现时先抄窗长跳长、卷积核步填充与损失权重，再补学习率与预算，最后用空间指标选模型，这样才能把论文的方法真正重述为可执行的动作。

⚖️ 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