快慢不同步：用双路径分别建模倾听者反馈的出现时机

英文题目：DP-BCT: A Dual-Path model for predicting BackChannel Timing

会议身份：conference:interspeech:2026:conference-paper-id:jang26b_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：#多任务学习 #统计分析 #单通道 #语音 #轮次切换

评分：6.5/10 | 创新 1.3/2 | 技术严谨 1.2/1.5 | 实验充分 1.0/1.5 | 清晰度 0.8/1 | 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

• Jin Yea Jang：机构信息未能从会议 PDF 纯文本可靠映射
• Saim Shin：机构信息未能从会议 PDF 纯文本可靠映射
• Gahgene Gweon：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

该研究处理听者反馈时机预测，输入为20 s单通道语音，输出为每帧是否出现反馈及其功能类别，难点在于不同功能相对可反馈时机点Backchannel Opportunity Point / BOP的延迟分布差异很大。以BOP为零点定义到标注起始的有符号延迟，Cox比例风险检验显示慢组相对接触感知类的瞬时响应率显著更低，印证快慢分组存在延迟异质性。方法链分为两阶段：先用说话人语音活动监督微调韩语HuBERT编码器以适配轮次结构，再冻结编码器训练BOP头、快慢双路Transformer与帧级预测器，最终输出100帧上的5分类标签，即无反馈Neg与接触感知CP、理解CPU、评估A、情感E四类功能。其中BOP头提供时机锚点，快路聚焦接触感知类锐峰式快速响应，慢路覆盖理解、评估与情感类宽分布延迟响应，最终融合为统一帧级预测目标。相对单路共享建模，结构解耦为快慢类别提供了不同时间依赖的归纳偏置，减少了多任务优化干扰。在115 h韩语双人对话K-MIND上的帧级评测中，相对单路基线Macro-F1从0.4862提升至0.6254，相对提升28.6%。该结论目前仅在韩语声学单模态与固定沉默阈值下成立，未验证跨语言与多模态外推。原文未披露训练、推理或部署成本。

🔗 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

倾听者为什么总在不同时刻插话？

这篇论文研究的是倾听者反馈的时机预测。先用白话把任务说清楚：两个人对话时，说话人讲，倾听者会不时发出嗯、对、真的吗这类短反馈，英文叫作 backchannel。系统要预测的不是反馈的文字内容，而是它在什么时候出现，以及属于哪一种交际功能。研究生刚进入语音领域时容易把这个问题看成普通的语音端点检测，但这里多了一层语义：同是反馈，维持接触的延续信号和表达理解评价的信号可能出现在不同的延迟上。

论文把双过程理论当作解释视角。用白话说，双过程理论区分很快很自动的第一类加工和较慢更整合的第二类加工。论文并没有声称测到了大脑加工时间，而是借这个区分提出一个可检验的分组：把接触与感知类的 CP 看作快组，把理解类的 CPU、评价类的 A、情感类的 E 看作慢组。如果两组相对同一时间锚点的延迟分布确实不同，那么把它们放在同一条路径里学习就可能互相干扰，这就是后文做双路径的动机。

快组 × 慢组： 快组负责承接维持接触类的简单延续信号，以 CP 为代表，预期延迟短而集中；慢组负责承接理解、评价和情感类反馈，以 CPU、A、E 为代表，预期需要更多整合因而延迟更分散；两者搭配的理由是双过程理论提示自动加工与整合加工可能对应不同的时间模式，组合后新增的作用是为后续是否需要分开建模提供可检验的分组假设，而不是直接测量认知加工时间。

输入与目标必须先保留清楚。输入是 115 小时韩语双人自发对话 K-MIND 的单通道音频，目标是在帧级别同时预测反馈是否出现和属于 4 个功能类别中的哪一个。输出是连续帧上的五分类判决，包含无反馈。学习依赖是先要有一个可复现的时间锚点，再验证分组差异，最后才谈模型结构改进。没有锚点和分布证据，直接比较模型分数就没有意义。

已有路线把多种反馈放在一条路径里学什么？

相关工作可以按同输入、同目标、同监督来对照。第一条路线是轮替与反馈时机研究，输入同样是对话语音，目标是解释反馈在韵律和停顿间隙附近更易出现，监督多来自人工标注的出现位置。这条路线给本文提供了用静音结构做时间锚点的依据，但它一般不做帧级多类别联合预测。第二条路线是语音活动投影类方法，输入是语音表示，目标是预测未来的说话活动与轮替事件，监督是帧级说话活动。本文继承了它的 2 阶段思路，先让自监督语音编码器适应说话活动结构，再做下游时机预测。

第三条路线是连续实时反馈预测，例如引用的 Yeah、un、oh 工作，输入是声学表示，目标也是连续预测反馈，监督是帧级类别。论文指出这类工作常把多个功能类别放在单一共享路径里优化。当类别延迟轮廓相似时单路径足够，当轮廓不同时同一路径要同时拟合尖峰和宽峰，就可能出现类似多任务学习中的优化干扰。论文把单路径基线明确命名为 SP-BCT，并让它与所提方法共享第一阶段编码器训练和第二阶段 BOP 监督，只改变路径结构与类别到路径的分配，这样对照更公平。

教学上要区分清楚：类别差异不等于同条件胜负。如果只是标签定义不同，分数高低不能直接比。本文的可比性建立在同一数据集、同一帧级任务、同一评价窗口上，改变的只是快慢组是否解耦。

如何把何时出现变成可测量的延迟分布问题？

论文把何时出现操作化为两个定义。第一个是反馈机会点，英文是 Backchannel Opportunity Point，缩写为 BOP。白话说，它是对话中反馈变得相关的可观测时刻。本文在实证分析与评价中把它定义为主要说话人持续静音的起点，形式是找到最早满足在长度为 200 毫秒区间内说话人语音活动全为零的时刻。第二个是 BOP 相对延迟，英文是 BOP-relative latency，白话说就是标注的反馈起始时刻减去 BOP 时刻，单位毫秒，负值表示反馈抢在静音起点之前出现。分析窗口取每个 BOP 前后各 2000 毫秒。

功能类别的定义也需要固定。论文采用改编自 MUMIN 反馈编码的 4 类：CP 表示接触与感知，CPU 表示理解，A 表示评价，E 表示情感与共情反馈。K-MIND 原有的标签再映射到这 4 类，例如延续类映射到 CP，理解类映射到 CPU，请求确认与肯定映射到 A，消极惊讶与积极惊讶映射到 E。映射依据是标注指南的语义意图与示例，DPT 分组只是解释框架。

下面这张分布图是全文实证的基础，需要先读懂坐标再谈结论。该图把 4 个类别放在同一延迟坐标下比较，横轴是相对 BOP 的毫秒数，纵轴是密度，黑色虚线是 BOP 零点，蓝色虚线是每类均值。

看图路径： 1. 先看四个子图的横轴是否为统一的 BOP 相对延迟毫秒范围；2. 再对比左上 CP 峰的高度与宽度与其余三图的平坦程度；3. 找到每图蓝色虚线标注的均值与黑色虚线 BOP 零点的相对位置；4. 观察负半轴是否存在提前出现的密度以理解带符号延迟

论文图 1。原论文 Figure 1：“Latency distributions for functional categories rela- tive to the BOP. CP shows a sharp peak for the fast group, while CPU, A, and E exhibit broad distributions for the slow group.”。

这张图显示的规律是快组 CP 在 BOP 之后不久出现尖锐峰值，均值在 145 毫秒附近，而慢组 CPU、A、E 分布更宽且整体后移，均值分别为 376 毫秒、295 毫秒和 347 毫秒。图中负半轴也有密度，说明存在提前出现的反馈，这正是用带符号间隔而不用绝对间隔的原因。论文进一步用 Cox 比例风险模型比较瞬时响应率，慢组相对 CP 的风险比小于 1 且都达到显著水平，支持快慢分组在统计上可分。

BOP 相对延迟 × 功能类别： BOP 相对延迟负责给出时间度量，它是 BOP 到标注的反馈起始之间的带符号间隔，负值表示抢先出现；功能类别负责给出语义分组，它把每 1 次反馈标为 CP、CPU、A 或 E；两者搭配的理由是只有把时间锚点固定下来，不同语义类别的延迟分布才能放在同一坐标下比较，组合后新增的作用是把原来笼统的何时反馈问题转化为按类别区分的何时出现哪类反馈问题。

双路径模型的输入到输出走通一遍是什么样子？

先沿一个样本走完全程。取一段 20 秒单通道音频，预训练韩语 HuBERT 把它变成每秒 50 帧、每帧 768 维的表示，约 1000 帧。下游只取最后 100 帧作为 2 秒输出窗口的上下文特征，形状是批量乘 100 乘 768，不足的短段做填充并用掩码保证不参与变换器计算。这 100 帧同时送给 BOP Head 和双路径模块。双路径模块内快路径处理 CP，慢路径处理 CPU、A、E，两路特征与 BOP 对数几率融合后送入帧级反馈预测器，输出每帧属于无反馈、CP、CPU、A、E 的五分类对数几率。推理时在每个 BOP 关联的评价窗口内找第一个被判为非无反馈的帧作为预测起始。

下面这张结构图把 2 阶段训练与推理路径画在了一起，阅读时要区分虚线与实线的阶段含义。图中底部是音频输入与 HuBERT 编码器，左侧绿色是第一阶段语音活动分支，右侧蓝色是第二阶段主分支，中间是双路径模块与上方的帧级预测器。

看图路径： 1. 从底部 20 秒单通道音频输入沿箭头向上追踪到 HuBERT 编码器；2. 区分左侧绿色第一阶段 VAD 分支与右侧蓝色第二阶段主分支；3. 确认双路径模块内 Fast Path 与 Slow Path 各自标注的类别归属；4. 观察 BOP Head 输出的 BOP 对数几率在加号处与双路径特征汇合

论文图 2。原论文 Figure 2：“Architecture of the proposed Dual-Path Backchannel Timing Prediction Model (DP-BCT).”。

这张图的关键信息有三点。第一，HuBERT 编码器是共享的，第一阶段做语音活动微调，第二阶段冻结。第二，BOP Head 吃的是共享上下文特征，输出的是学到的时机相关信号，不是实证分析中按静音规则抽取的硬锚点。第三，快路径标注为 CP，慢路径标注为 CPU、A、E，两路特征在加号处与 BOP 对数几率汇合后再做统一五分类，说明解耦的是表示路径而不是最终目标。

Fast Path × Slow Path： Fast Path 负责专门处理快组类别 CP 的帧级特征与辅助二分类监督，Slow Path 负责专门处理慢组类别 CPU、A、E 的特征与辅助监督；两者搭配的理由是当两组延迟轮廓不同时放在同一路径会产生优化干扰，组合后新增的作用是在保持统一预测目标的同时，让每条路径形成对各自时间依赖的归纳偏置，最后再与 BOP 信号融合做统一决策。

原文明确说双路径设计提供的是归纳偏置：在保持统一预测目标的同时，让模型更容易学到类别相关的延迟轮廓。单路径基线 SP-BCT 用 8 层变换器 1 次预测所有类别，双路径统一变体让两条支路都学全部分类，只有正式版按快慢分配任务，三者共享编码器训练与 BOP 监督，从而孤立出路径专业化的效果。

编码器、检测头与双路径各自计算什么？

HuBERT 编码器负责声学表示。输入是单通道波形，与原始语音活动投影用双说话人双流不同，本文只用一条流。输出是帧级上下文特征，供下游所有头使用。语音活动检测头英文是 Voice Activity Detection Head，缩写为 VAD Head，白话说就是判断每 1 帧有没有人说话的小分类器。它只在编码器适配阶段出现，用说话人活动标注做监督，下游预测时不把说话人活动当作已知输入送入模型，避免使用只有训练才有的特权信息。

BOP Head 负责帧级机会信号。它在共享上下文特征上用两层多层感知机预测每 1 帧的 BOP 对数几率，用二元交叉熵训练。原文强调这些对数几率是学到的时机相关信号，不是硬门控，它们的作用是突出反馈可能出现的区域，给主预测提供额外监督。双路径模块负责类别相关的时序建模。快路径先做线性投影，再过 4 层 8 头变换器编码器，带一个检测快组反馈的帧级二分类辅助目标。慢路径结构镜像对称，但辅助目标是检测慢组反馈，让它去学更宽的时间依赖。

BOP Head × 帧级 BC 预测器： BOP Head 负责在共享声学上下文上预测帧级 BOP 对数几率，提供反馈可能出现区域的辅助监督信号；帧级 BC 预测器负责把快路径特征、慢路径特征与 BOP 对数几率融合后输出每 1 帧属于无反馈或 4 类反馈的五分类对数几率；两者搭配的理由是前者给出机会区域提示但不做硬门控，后者做最终的时机与类别判决，组合后新增的作用是让时机提示参与类别判决而不代替判决。

帧级反馈预测器负责最终判决。它把快路径特征、慢路径特征和 BOP 对数几率融合，在 100 帧窗口上输出批量乘 100 乘 5 的对数几率。损失上主任务用焦点损失处理稀疏正样本，辅助任务用带对数几率的二元交叉熵，每项有权重系数。还要配合平衡帧掩码，在计算损失时按每个正帧配两个负帧采样，避免占主导的无反馈帧淹没时机与类别信号。

两阶段训练中哪些参数更新、哪些冻结？

训练分两个阶段，这是复现时最容易出错的地方。第一阶段只调编码器：HuBERT 编码器通过 VAD Head 用说话人活动监督做微调，目的是让表示适应语音活动与轮替结构。第二阶段冻结编码器，只优化下游模块，包括 BOP Head、双路径模块和帧级反馈预测器。主任务是多分类目标，辅助目标包括快路径、慢路径与 BOP Head 的二分类损失，联合加权优化，既鼓励路径专业化又保持统一决策边界。

优化器与调度按原文交代：用 AdamW，初始学习率 2 乘 10 的负 5 次方，权重衰减 10 的负 4 次方，最多 100 轮，用 PyTorch Lightning 在 A100 上训练。用验证集 Macro-F1 选模型，配合学习率下降策略与早停。所有实验在 5 个随机种子 40 到 44 上重复，报告均值与标准差。原文没有给出三项辅助损失权重的具体数值与焦点损失之外的超参数搜索过程，这是一个缺项，复现时只能先按等权或小范围搜索起步，并在报告中注明与原文的差异。

VAD 调优 × HuBERT 编码器： HuBERT 编码器负责把 20 秒单通道音频变成每 20 毫秒 1 帧的 768 维声学表示；VAD 调优负责在第一阶段用人声活动标注对该编码器做说话活动方向的适配；两者搭配的理由是沿用语音活动投影类工作先适应轮替结构的思路，再做下游时机预测，组合后新增的作用是让第二阶段冻结的编码器已经带有说话起止与停顿结构信息，下游双路径只需学习类别相关的延迟模式。

需要明确梯度路径：第二阶段编码器冻结意味着反馈类别误差不再回传到 HuBERT，BOP Head 的误差也不更新编码器。短段填充用掩码保证不影响变换器计算。推理不依赖人工 BOP，预测起始取自模型自己的帧级判决，评价时再与标注起始按容差窗口比对。

数据、划分、指标与基线如何保证可比？

数据用 K-MIND，论文报告为 115 小时韩语双人自发对话，标签按语义映射到 CP、CPU、A、E 4 类。BOP 在实证与评价中是按 200 毫秒持续静音规则从标注对话中抽取的分析锚点，分析窗口为前后各 2000 毫秒。生存分析用 Cox 比例风险模型，因为反馈起始是时间到事件过程，它比较的是随时间变化的瞬时响应率而非简单的均值，比例风险假设按标准诊断检查。原文没有给出训练验证测试的具体划分比例与说话人是否不重叠，这是复现前必须补问的第一项信息。

评价指标有 3 类。Macro-F1 与准确率衡量帧级标签上的类别预测，Hit at k 衡量起始时机精度：若预测起始落在标注起始前后 k 毫秒内则计为命中，论文取 50 毫秒、100 毫秒和 200 毫秒三档，分别看细粒度与粗粒度的稳健性。基线有三档：单路径 SP-BCT 1 次预测全部分类，双路径统一版两条支路都学全部分类，双路径正式版快路径学 CP、慢路径学 CPU、A、E。三者共享第一阶段编码器与第二阶段 BOP 监督，只有路径结构与任务分配不同。

成本与部署条件方面，论文只报告了 A100 训练环境与重复种子数，没有报告参数量、训练时长、推理帧率与实际延迟。复现时应把这些量单独测量，不要把 Macro-F1 提升直接理解为延迟下降。资源状态方面，本次没有发现来源绑定且完成安全验证的代码模型数据链接，因此不能声称代码模型或数据已公开，复现应按论文文字与超参数从头搭建。

主结果在什么条件下支持双路径更好？

主比较要回答的问题是：在同样的编码器与 BOP 监督下，结构上分开快慢组是否带来帧级时机与类别预测的提升。公平条件是三者共享第一阶段与 BOP 监督，指标方向是 Macro-F1 与准确率越高越好。结果是正式版双路径最好，统一双路径次之，单路径最低，说明双路径容量与按快慢分配任务都有收益，而分配带来的增量是关键。

上表整理的是实证阶段的延迟与风险结果，它是理解主结果的前提。表中 CP 均值最短且作为风险比参照，慢组 3 类均值都更长且风险比小于 1，说明在 BOP 之后任一时刻慢组的瞬时响应率都低于快组。A 在慢组内相对偏快，均值 295 毫秒，风险比 0.85 最接近 1，这个细节后文讨论部分会再次解释，不要把它误读为分组错误。

上表整理的是核心可部署比较。论文报告正式版把 Macro-F1 从 0.4862 提高到 0.6254，绝对增量 0.1392，相对提升 28.6%。准确率也从 0.4858 同步提高到 0.6382 附近。所有数字都是 5 个种子上的均值与标准差，模型选择都用验证集 Macro-F1，因此不是事后挑单一种子。局限是原文没有给出统一版的具体 Macro-F1 数值，只说它已超过单路径而正式版最强，复现时需要自己补齐这一中间点才能完整复述容量与专业化的分解。

把慢组类别换进快路径会发生什么？

消融要回答的问题是：快路径的专业化是否重要，还是只要有两条路径就够了。做法是固定双路径容量，只改变类别到路径的分配：把 CPU、E 或 A 中的一个搬进快路径，与 CP 同路，慢路径保留其余类别，再看测试集 Macro-F1 与细粒度时机精度。指标方向仍是越高越好，条件是同样的编码器、BOP 监督与训练流程。

上表把时机精度的反证说清楚了。在 50 毫秒最严窗口下，正式版 CP 精度 0.5992 明显高于把 CPU 搬进快路径的 0.4936，100 毫秒与 200 毫秒下差距依然存在，说明专用快路径对快组响应的细粒度时机很重要。代价与反例是 Swap-CPU 在情感类 E 上有局部增益，50 毫秒下达到 0.7858 高于正式版的 0.6912，但这是以 CP 大幅下降为代价的。整体 Macro-F1 上任何把慢组搬进快路径的做法都下降，其中搬 A 的配置下降最大，说明让评价类反馈挤占快路径对类别预测伤害最大。

论文还报告搬 E 与搬 A 的整体 Macro-F1 分别降到 0.5833 与 0.5746 附近，都低于正式版的 0.6254。这支持原文的判断：延迟轮廓不同的类别共用同一路径会引入优化干扰，而按快慢解耦提供的是有针对性的归纳偏置。但要注意这只是相关性支持因果的有限解释，没有逐层梯度冲突的直接测量，复现时若要加强结论应补做梯度余弦或冲突率分析。

哪些结论不能从当前证据推出？

先说论文自己承认的边界。第一是语言与文化泛化：实验只在韩语 K-MIND 上完成，反馈时机受语言与文化影响，跨语言是否成立待验证。第二是模态：模型只用声学线索，真实对话还有注视与手势等多模态信号。第三是固定阈值：BOP 抽取用 200 毫秒持续静音，时机评价用固定容差窗口，可能无法覆盖多变的会话上下文，未来需要自适应时机机制。

再说初学者容易误读的三点。其一，DPT 分组是解释框架，不是认知测量。论文多次强调延迟模式应理解为行为时间相关性，不能说测到了第一类或第二类加工花了多少毫秒。其二，A 类在慢组内偏快不是分组错误，论文用社会语言学惯例解释：快速评价或赞同信号常作为会话对齐的语用标记，时机同时受加工复杂度和社交规范影响。其三，总体趋势不等于每组每步都成立，正式版整体最强但在 E 类细粒度窗口上会被 Swap-CPU 反超，报告时必须同时保留未胜出项。

缺失证据不是技术错误，但不能承诺未测量的改善。论文没有测量误判率分解、推理延迟、参数量与训练成本，也没有报告跨数据集与跨语言结果，因此不能说该方法更快更省或跨语言有效。BOP Head 学到的对数几率与规则抽取的 BOP 锚点是两个东西，前者是软提示，后者是评价锚点，复现时不要把它们混为同一变量。

要复现这篇论文先做什么、再做什么？

复现的第一步是重建数据与锚点。按 K-MIND 的标注指南把原标签映射到 CP、CPU、A、E，再按 200 毫秒持续静音规则从说话人语音活动抽取 BOP，取前后各 2000 毫秒窗口计算带符号延迟。先复现 4 类均值与 Cox 风险比的方向：CP 最短，CPU 最长，A 居中偏快，E 居中，慢组风险比小于 1 且显著。只有这一步对齐，后续模型比较才有意义。

第二步是搭建 2 阶段流程。用韩语 HuBERT 抽取 50 赫兹 768 维特征，取最后 100 帧做 2 秒输出窗口，第一阶段用 VAD Head 微调编码器，第二阶段冻结编码器训练 BOP Head、双路径与帧级预测器。主损失用焦点损失并配合正负 2 比 1 的平衡帧采样，辅助损失用二元交叉熵。优化器用 AdamW 并按验证集 Macro-F1 选模型，在种子 40 到 44 上重复。基线必须包含单路径 8 层变换器与双路径统一版，否则无法区分容量收益与分配收益。

第三步是补齐原文缺项。需要自己记录划分方式与说话人重叠情况、三项辅助损失权重、变换器层数之外的隐藏维度与丢弃率、训练时长与推理帧率。评价时同时报告 Macro-F1、准确率与三档 Hit at k，并保留 Swap-CPU、Swap-E、Swap-A 3 组反证。若只能复现部分配置，应优先保证正式版与单路径的可运行比较，统一版与交换配置作为第二优先级。

什么时候值得尝试双路径，何时不必？

综合全文，值得尝试双路径的条件很具体：当不同反馈类别相对同一机会点的延迟分布经统计检验确实不同，且单路径模型在尖峰类别上的细粒度时机精度不足时，把快慢组分开建模更可能带来收益。本文的证据是 CP 尖峰对慢组宽峰，正式版在 50 毫秒窗口把 CP 精度从 0.4936 提高到 0.5992，同时整体 Macro-F1 提高 28.6%。如果你的数据上各类别延迟轮廓基本重合，单路径可能已经足够，不必为了结构复杂而拆分。

方法选择的核心判断是先验证分布再改结构。论文的顺序是先用生存分析确认风险比差异，再做结构解耦并用交换配置反证专业化的必要性。这个顺序对研究生有示范意义：不要先堆模型再找故事，而是让实证差异决定归纳偏置。对语音音乐音频方向的学生，还可以把这种思路迁移到按时延特性分组的事件检测，例如把起音尖锐与起音平缓的乐器事件分开建模，但迁移时必须重新验证延迟分布，不能直接套用快慢标签。

收束时回到可核对的事实：115 小时韩语对话、4 类功能、快组 CP 均值 145 毫秒、慢组 376 毫秒 295 毫秒 347 毫秒、风险比 0.71 到 0.85 且显著、双路径 Macro-F1 达到 0.6254。代价与边界是单通道声学、固定静音阈值、无跨语言验证、无成本测量。下一步最值得补的验证是跨语言分布检验与多模态融合，以及把固定 BOP 阈值换成自适应机制后看细粒度精度是否保持。

⚖️ 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