声音里情绪、内容和病理是缠在一起还是各走各路：用互信息给解耦先称重

英文题目：Quantifying Dimensional Independence in Speech: An Information-Theoretic Framework for Disentangled Representation Learning

会议身份：conference:interspeech:2026:conference-paper-id:kashyap26_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 #发声与构音 #言语障碍 #语音 #语音属性识别

评分：6.9/10 | 创新 1.2/2 | 技术严谨 1.1/1.5 | 实验充分 0.8/1.5 | 清晰度 0.7/1 | 影响力 0.8/1.5 | 开源 1.2/1.5 | 可复现 0.3/0.5 | 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

• Bipasha Kashyap：机构信息未能从会议 PDF 纯文本可靠映射
• Bjoern Schuller：机构信息未能从会议 PDF 纯文本可靠映射
• Pubudu N. Pathirana：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

本文输入为单句语音波形，输出是情感、语言、病理及源滤波器特征集之间成对互信息的定量估计，难点在于高维连续互信息难以精确计算且神经估计方差大、易偏置。方法链分四步：先按声门源、声道滤波器与语义维度划分五个手工特征集，再用MINE下界与CLUB上界并行估计成对依赖并输出至加权环节。接着以KSG非参数估计为锚做自适应加权得到终值，最后对语义维度做源滤波器归因分解以解释声学来源构成。与以往单估计器或只看下游任务的做法不同，该框架用指数滑动平均稳定配分函数、用方差钳制稳定高斯条件模型并强制下界不超过上界，具有实际稳定意义。在跨维度均值表的评测设置下，情感-语言对MINE方法的互信息指标为0.00 nats，低于CLUB方法的互信息指标0.14 nats。该结论的适用边界受限于手工特征与所用英语语料，外推至学习表征与时序韵律尚未验证。结论仅适用于所用手工特征与英语情感、非母语口音、构音障碍及帕金森语料，不代表学习表征或时序韵律同样独立。原文未披露训练、推理或部署成本。

🔗 开源与复现资源

• 代码相关资源：https://github.com/avrpixel-design/P1 — 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，先把可核对的信息摆出来

本文输入是论文原文证据与本次收到的官方原图像素，目标是让刚进入语音音频领域的研究生能够复述方法并知道每一步的实验条件。必须保留的信息包括特征分组维度、估计器组合方式、训练与早停规则、6 个语料与 8 种组合的构造方式、主要互信息数值与不确定度、归因比例，以及作者自己声明的局限。输出是 1 篇按学习依赖展开的中文技术解读，不做营销式判断，不把下游任务好坏直接当成分离质量。

一段语音同时携带着说话人的情绪状态、语言内容和可能的病理标记，它们挤在同一个声学通道里。初学者容易把问题想成只要把波形丢给大模型就能自动分开，但临床评估、情感识别和内容识别对错误来源的要求不同，如果情绪和病理在特征层面本来就高度纠缠，那么强行解耦可能在理论上就行不通。反过来，如果它们在所用特征空间里几乎独立，那么设计分支编码器和正则项就有依据。

白话来说，互信息就是回答知道一个变量后能减少多少对另一个变量的不确定性，它能抓住非线性依赖，比相关系数更全面。解耦表示就是希望学到情绪变了内容不变、内容变了病理判断不受影响的表示。本文不直接训练解耦编码器，而是先给手工特征称重，看 3 组语义特征之间到底共享多少信息。

互信息 × 解耦表示： 互信息负责度量两个特征集合之间包含线性和非线性的统计依赖强度，解耦表示负责把语音里情绪、语言和病理等因子拆成可独立使用的向量，二者搭配的理由是只有先用量化出残余共享信息，才能判断解耦在理论上是否可行以及正则项该压到多低，组合后新增的作用是把原来靠下游任务间接猜测的分离质量变成可以直接估计和比较的数值。

需要提前说明的是，本文的代码当前可用，资源状态显示为可用且链接返回正常，地址指向公开仓库。作者声明生成式人工智能只用于语言润色，技术内容与实验设计仍由作者负责。理解了任务是量化而非直接解耦，后面才能看懂为什么作者花很大篇幅做有界估计和跨语料验证，而不是报告识别准确率。

前人把解耦做到哪一步，为什么还需要信息论标尺

在同输入同目标的路线上，前人大多做两两分离。证据提到的例子包括用自监督蒸馏做跨说话人情绪迁移，用互信息最小化学习域不变的说话人嵌入，以及用说话人不变聚类学习内容表示。这些工作报告的是下游任务表现变好了，但没有回答情绪、语言和病理三者构成的完整结构到底有多独立。也就是说，任务效果好可能是分类器补偿了纠缠，不能反推表示本身已经分开。

在同监督同方法路线上，神经互信息估计本身也在演进。互信息神经估计器提供变分下界，对比式对数比率上界提供对比式上界，联合使用可以比只用一边更紧地夹住真实互信息。本文的增量是再引入非参数验证估计器，用近邻统计给出免训练的第三方估计，从而在神经上下界分歧大时有一个锚点。这不是提出新的解耦模型，而是给解耦评估补一把标尺。

初学者常误以为引用了互信息就等于证明了因果无关，实际上本文反复强调分组是操作定义的，抖动闪烁既是情感标记也是临床标记，共振峰既编码音位也反映调音健康。相关工作对照的公平条件因此不是谁的准确率高，而是是否在相同特征定义和相同语料组合下报告了可比较的依赖强度。本文的对照是内部的下界上界与非参数估计三方互验，而不是与某个外部解耦系统的胜负比较。

要回答的问题是什么，特征集如何操作定义

核心问题是情绪、语言和病理 3 个语音维度在统计上到底有多独立。如果跨维度互信息很高，完全解耦可能理论上不可行。如果互信息很低，合适的归纳偏置和表示约束就可能实现有效分离。而且这种独立性需要在语言和文化变化下成立，包括母语非母语、多语言背景和言语障碍人群，否则换个语料就失效。

情感特征集 × 语言特征集： 情感特征集负责把与情绪表达相关的源特征加能量包络和谱质心等组合成 28 维操作定义，语言特征集负责把与音位内容相关的滤波器特征加差分倒谱和语速时长组合成 33 维操作定义，二者搭配的理由是原文承认声学特征本来多功能复用，必须先给出可操作的分组才能谈依赖，组合后新增的作用是让后续互信息回答的是这两组人为定义携带了多少共享信息，而不是抽象情绪与语言本体是否独立。

具体操作上，作者把每条语音表示为情绪向量、语言向量和病理向量，维度分别是 28 维、33 维和 16 维，维度数对应分配到每组的手工声学描述符个数。另有源特征 9 维刻画声门特性，包括基频均值标准差极差中位数上下四分位数以及抖动闪烁和谐噪比，滤波器特征 32 维刻画声道共振，包括前 3 个共振峰频率与带宽以及 13 维梅尔倒谱及其差分。

情绪集在源特征基础上加能量包络和谱质心谱通量谱滚降，语言集在滤波器基础上加 2 阶差分和语速时长，病理集聚焦嗓音质量共振峰稳定性和第二共振峰跃迁速度。作者明确说明部分特征在分组间有意重叠，正是为了量化这些操作不同但物理同源的分组到底共享多少信息。待量化的成对互信息包括情绪语言、情绪病理、语言病理以及源滤波器 4 组。

四阶段框架如何从一条语音走到互信息与归因

先沿着一条样本走完全流程。输入是一段来自 6 个语料中某个语料的语音波形，经过工具提取出 5 组特征，分别对应情绪语言病理源和滤波器。然后把需要比较的两组向量两两配对，送入 3 种估计器得到下界上界和非参数估计，再融合成最终互信息。接着把跨维度依赖数值汇总成输出，最后对每个语义维度计算它与源和滤波器之间的互信息比例，得到声学生产归因。整个框架因此分为特征分区、成对估计、跨维度依赖量化和源滤波器分解 4 个阶段。

以下导读帮助建立全局位置感，再看官方框架图。先区分左上声学分支与右上估计分支的分工，然后注意右下归因分支的数据来源是复用前两步的结果，而不是重新提取特征。

看图路径： 1. 先从左上输入语音沿特征提取走到源与滤波器两条声学生产分支；2. 再看右上情绪语言病理源滤波器如何两两组合进入三种估计器；3. 接着确认右下归因分支复用了左上输出和右上估计结果；4. 最后核对左下输出列出的四个待估计互信息对

论文图 1。原论文 Figure 1：“Proposed framework for quantifying dimensional inde- pendence indicated in (refer Sections (Section 2.3–2.4)) 2.3.2.”。

从像素可见的结构可以这样理解。左上面板从输入语音经特征提取分出源特征与滤波器特征，再组合成情绪语言病理 3 个集合，每个集合标注来自两个语料，呼应后文 8 种组合的思想。右上面板把 5 个集合的符号两两连线，送入下界上界和非参数 3 个估计器，再汇成最终加权估计。左下面板用三圆交叠示意跨维度输出，右侧列出 3 个跨维度互信息与一个源滤波器互信息。

右下面板把 3 个语义集合指向同一个非参数估计模块，分别计算与源和与滤波器的互信息，再输出归因分数。这种把估计与归因显式分开的设计，使得后文讨论低耦合时可以区分是语义之间独立，还是生产层面本来就可分。

下界上界与非参数估计各自算什么，如何拼成最终值

直接在高维连续分布上计算互信息是不可行的，所以作者用 3 个互补估计器从多个方向逼近。第一个是带指数滑动平均稳定的下界估计器。对任意两组特征向量，判别器输出一个标量打分，联合样本的平均打分减去边缘乘积样本指数平均的对数，就得到下界。判别器是两层多层感知机加层归一化和泄漏修正线性单元，隐藏维度为 256。为了降低划分函数估计的高方差梯度，作者在训练轮次上维护滑动平均并做偏差校正，再加极小常数防止数值下溢。白话说，下界网络在学习区分真配对与随机拼凑的配对，分得越开下界越大。

MINE × CLUB： MINE 负责给出互信息的变分下界，通过判别器区分联合分布与边缘乘积分布，CLUB 负责通过学习条件分布给出对比式上界，二者搭配的理由是单个神经估计器在高维小依赖区容易偏置或方差过大，上下夹逼可以得到不确定区间，组合后新增的作用是用区间宽度自适应决定是否更信任非参数估计。

第二个是带方差钳制的上界估计器。它学习一个对角高斯条件分布，用联合样本下的对数似然减去边缘乘积下的对数似然作为上界，当学习到的条件分布等于真实条件分布时取等。为了防止在低互信息区方差崩溃或爆炸，作者把对数方差钳制在负六到二之间，对应方差约 0.002 到 7.4。第 3 个是非参数验证估计器，用近邻统计免训练估计互信息，近邻数取五，用切比雪夫距离和树结构加速搜索。它不参与梯度优化，因此可以作为独立验证。

KSG 估计器 × 自适应加权： KSG 估计器负责用近邻距离免训练地估计互信息，作为不依赖神经网络优化的第三方验证，自适应加权负责根据上下界差距决定最终估计中神经平均与 KSG 各占多少权重，二者搭配的理由是界很紧时神经估计更精细而界很宽时需要向非参数估计锚定，组合后新增的作用是在低互信息区防止方差崩溃而在高不确定区提高鲁棒性。

融合时先强制下界不超过上界，用两者之差作为不确定度。最终估计是神经上下界均值与非参数估计的加权平均，权重随不确定度增大而增大，不确定度小于等于 1.0 时取 0.3，大于 1.0 时按线性增加但不超过 0.6。直觉是界很紧时更相信神经估计，界很宽时向非参数估计锚定。

源特征 × 滤波器特征： 源特征负责刻画声门激励端的特点，包括基频统计量和抖动闪烁和谐噪比，滤波器特征负责刻画声道共振 shaping，包括共振峰频率带宽和梅尔倒谱系数，二者搭配的理由是源滤波器理论认为语音产生可以分解为激励与声道两个子系统，组合后新增的作用是可以把每个语义维度的互信息进一步归因到发声还是调音哪一端。

归因部分对每个语义维度分别计算它与源和与滤波器的非参数互信息，再用源占比定义归因比例，滤波器占比为一减去源占比。作者明确这不是方差分解或博弈论归因，只是相对信息共享比例，并用自助重采样给出置信区间。

估计器如何训练，何时停止，如何平均

训练对象不是语音编码器，而是为每种配置服务的成对互信息估计器。每个配置训练 3 个独立估计器对做集成。每条语音先做标准化，每个语料取 500 个样本并按说话人与条件分层抽样，避免退化到单个说话人或单一语言背景。优化器使用学习率万分之一和权重衰减，梯度裁剪最大范数为 1.0，并用学习率下降调度。训练最多 100 轮，取最后 10 轮在集成成员上的平均作为最终估计。

早停条件是上下界差距小于 0.1 并持续 7 轮以上。作者报告跨维度对通常 8 到 16 轮就收敛触发早停，而源滤波器需要完整训练并持续精炼，这本身也侧面反映了依赖强弱不同带来的估计难度差异。

需要交代的缺项是，原文没有报告硬件型号与 wall 时间，也没有把训练成本作为指标。监督来源是同一条语音内配对为联合样本、打乱配对为边缘乘积样本，不依赖人工标签。参数更新只发生在判别器与条件分布网络，非参数分支没有可训练参数，也不存在编码器权重复用或重置问题。复现时应固定随机种子并使用公开配置，否则集成平均与早停轮数难以对齐。

六个语料与八种组合如何保证不是单一口音或单一疾病的假象

实验按问题组织，测的是不同语义分组之间的依赖强度，而不是识别准确率。比较对象是同一配置下的下界上界非参数估计与融合估计，以及不同语料组合之间的稳定性。公平条件是特征提取工具、归一化、采样数和训练超参数保持一致，指标方向是互信息越低表示越独立，不确定度越小表示估计越可信。

数据方面，情绪维度用两个英语语料，一个是上 1000 条由二十多名演员表演 8 种情绪的语料，另一个是上 10000 条包含脚本与即兴互动的语料。语言维度用非母语英语语料和口音档案语料，后者覆盖上 1000 名说话人和上 100 种母语背景但朗读同一段标准英文段落。病理维度用构音障碍英语语料和帕金森移动录音英语语料。为了验证泛化性，作者生成 2 乘 2 乘二共 8 种数据集组合，覆盖每类维度各选一个语料的所有搭配，避免结论只来自某个特定情感范式口音或录音条件。实现上用常见语音工具提取描述符，上下界网络均用两层隐藏维度 256 的感知机训练 100 轮。

初学者容易把语料规模大等同于结论一定普适，实际上作者在局限中明确语料仍不覆盖全部病理类型与情感范式，录音条件母语非母语状态和语料特有混合效应都会影响特征。因此跨组合一致性支持的是在所考察数据内的稳健性，而不是对所有语言与疾病的保证。

跨维度互信息有多低，源滤波器为何明显更高

比较问题是跨维度 3 对互信息是否系统性低于源滤波器互信息，以及估计区间是否足够紧到可以信任。公平条件是同一融合公式与同一集成平均流程，指标方向是最终互信息越小越独立，上下界差距越小越可信。

以下导读先建立热图的阅读顺序，再看官方跨组合热图像素。先横向比较同一行内前三列与最右列的颜色深浅，再纵向比较同一列在八行之间的稳定性，最后回到顶部均值条做汇总判断。

看图路径： 1. 先看顶部均值条确认跨维度三列与源滤波器列的数量级差异；2. 再逐行比较八种语料组合下前三列是否始终保持浅色低值；3. 最后观察最右列在不同病理语料下从 0.10 到 1.06 的变化范围

论文图 2。原论文 Figure 2：“Cross-dimension MI (Final) heatmap across dataset combinations.”。

从像素可见，热图行为 8 种语料组合，列为 4 个维度对，顶部还有每对的均值条。均值条显示前三列约为 0.1 量级而最右列约为 0.47，最右列颜色明显更深。逐行看，前三列数值多在 0.03 到 0.2 之间，最右列则从 0.10 到 1.06 波动较大。右侧颜色条标注单位为纳特，数值越大颜色越深。解释是跨维度依赖在所有组合下都保持低位，而源滤波器耦合更高但受数据集影响更大，这与后文标准差的报告一致。

用三列宽表之外的五列整理表把均值证据固定下来，表前已提出比较问题与指标方向，表后会解释收益与代价。

表后解释需要同时说收益与反例。主要收益是跨维度融合估计低于 0.15 纳特且不确定度小于 0.15 纳特，情绪语言略高为 0.12 纳特，另 2 对最低为 0.10 纳特，报告显示这些维度在所用特征空间占据近似独立子空间。具体代价或反例是源滤波器融合均值为 0.47 纳特且波动大，跨组合从 0.1 到 1.06，说明生产层面并非完全独立，而且个别组合如含特定病理语料时源滤波器耦合可超过一纳特。未胜出项在这里体现为源滤波器不能当作独立假设的证据，它反而是作者用来衬托跨维度低耦合的参照。

第二个五列表固定跨组合细节，避免只看均值掩盖条件差异。

表后解释是跨维度 3 列在 8 种组合下始终处于 0.03 到 0.20 纳特区间，标准差低于 0.1 纳特，支持独立模式不是特定语料搭配的人为假象。代价是源滤波器标准差达 0.38，驱动因素包括录音条件与说话人群差异，因此在做编码器设计时不能把源滤波器也默认拆成完全独立分支。原文还报告所有估计满足下界不超过上界，非参数值与神经融合值接近，提供了独立验证。

以下导读指向归因图，再看官方归因条图像素。先比较 3 个条带深浅段比例，再看散点是否聚集，最后比较误差线长短。

看图路径： 1. 先看纵轴三个维度条带中深色源段与浅色滤波器段的长度比例；2. 再观察每个条带上散点抖动分布是否集中还是分散；3. 最后比较情绪条带误差线与语言病理条带误差线的长短差异

论文图 4。原论文 Figure 4：“Source–Filter attribution across semantic dimensions.”。

从像素可见，纵轴 3 个条带分别对应情绪语言病理，横轴为归因比例，深色为源浅色为滤波器。情绪条带深色段约占八成且散点集中在右侧，误差线很短。语言与病理条带浅色段占 60% 左右但散点分散，误差线明显更长，甚至有个别散点落在对侧极端。解释是情绪维度稳定地源主导，语言与病理维度平均滤波器主导但组合间变异更大，这与后文讨论调音损伤贡献更大的临床观察相呼应。

第三张五列表固定归因比例，表前问题是每个语义维度的信息更多来自声门还是声道，指标方向是比例越高表示该端贡献越大。

表后解释是主要收益在于维度特异的声学基质得以量化，情绪依赖基频抖动闪烁等嗓音质量，语言依赖共振峰结构与谱 shaping，病理同样滤波器占比更高，提示调音损伤贡献大于喉部功能障碍。代价与反例是语言与病理的归因不如情绪稳定，个别组合的散点偏离均值较远，不能把 60% 简单理解为每一组都恰好 60%。未评测边界是该归因只针对所选手工特征，若换成自监督表示，源滤波器的划分本身可能不再适用。

收敛速度与估计间隙能否反证低互信息更容易估计

这一节承担失败条件与机制验证任务，问题是不同维度对的训练动态是否一致，条件是否相同，指标是互信息随轮数的轨迹与末段平均间隙。比较的不是哪个模型更好，而是低依赖与高依赖在估计难度上的差异。

以下导读先说明四面板的布局，再看官方收敛曲线像素。先注意横轴轮数在前三图与第四图差了一个数量级，再比较红蓝曲线与绿色虚线的关系，最后读标题中的间隙数值。

看图路径： 1. 先对比前三个子图与第四个子图横轴训练轮数的数量级差异；2. 再看每个子图中下界曲线、上界曲线与两条水平虚线的相对位置；3. 最后核对每个子图标题标注的末段平均估计间隙数值

论文图 3。原论文 Figure 3：“3”。

从像素可见，4 个子图分别为情绪语言、情绪病理、语言病理和源滤波器，纵轴均为纳特，横轴为轮数。前三图横轴仅 10 轮左右，下界曲线贴近零线，上界曲线波动较大但快速回落，两条水平虚线分别代表非参数基线与最终共识。第四图横轴到 100 轮，下界曲线缓慢爬升，上界曲线维持高位波动，训练全程持续精炼。标题标注的末段平均间隙在前三图约为 0.16 到 0.23，第四图约为 0.88。解释是跨维度对因真实互信息低而估计问题更容易，早停由间隙小于 0.1 触发，而源滤波器因依赖更高需要完整训练。

联系方法可以发现，指数滑动平均稳定了下界划分函数，方差钳制防止了上界在低互信息区发散，自适应锚定在间隙大时更信任非参数估计。这些机制共同解释了为什么跨维度对能快速收敛而不至于因上界抖动误判为高依赖。若拿掉早停或钳制会怎样原文没有做消融，因此不能断言必然发散，只能说现有轨迹支持当前设计在所考察数据上是稳定的。像素不能精确辨别的中间轮数值不应硬写，结论只依赖标题间隙与整体趋势。

哪些结论不能推广，缺了哪几项验证

首先是特征层面的边界。分析对象是手工声学特征，学到的自监督表示是否保持同样的维度独立性仍是开放问题，作者点名了常见语音预训练模型作为未来验证对象。其次是时间动态的缺失。当前互信息刻画的是静态特征分布，韵律轮廓随时间的变化可能揭示额外的跨维度依赖。第三是分组本身的任意性。

特征分组是多种合理划分之一，分组间有意重叠意味着测到的是所选操作定义的性质，而不是抽象语音维度的本体性质。第四是语料代表性不足。语料不覆盖全部病理类型与情感范式，录音条件母语非母语状态和语料特有混合效应都会影响特征。

这些缺失不是技术错误，而是适用条件的声明。相关性不等于因果，低互信息支持近似独立建模，但没有测量误判率延迟或成本，因此不能承诺解耦后识别一定更快更准。总体趋势也不等于每组每步都成立，源滤波器的大波动就是反例。在引用数值时应加上在所考察数据内和针对所选特征定义的限定语，避免把 0.10 纳特当成放之四海的常数。

复现先做什么，需要哪些配置与检查点

复现的第一步是按原文工具链重建 5 组特征，注意源 9 维滤波器 32 维情绪 28 维语言 33 维病理 16 维的维度数，以及共振峰用特定线性预测分析、倒谱用差分与 2 阶差分、病理侧加第二共振峰跃迁速度等细节。归一化用标准化，每个语料分层抽样 500 条，固定随机种子。第二步是搭建两层隐藏维度 256 的下界与上界网络，优化器学习率万分之一，梯度裁剪与学习率调度按原文设置，近邻数取五，对数方差钳制在负六到二之间。

第三步是对每个语料组合训练 3 个独立估计器对，监控上下界差距，小于 0.1 持续 7 轮触发早停，最多 100 轮，取最后 10 轮平均。第四步是用同样流程计算源与滤波器到每个语义维度的非参数互信息，再算归因比例并做自助重采样得到置信区间。

检查点包括是否满足下界不超过上界，跨维度间隙是否小于 0.15 纳特，融合值是否接近非参数值，以及 8 种组合的趋势是否一致。若复现中出现间隙长期大于 1.0，应检查方差钳制与滑动平均是否生效，而不是直接调大模型。代码与配置文件当前可用，可以从公开仓库获取，但需区分代码开源与系统可运行是两回事，权重下载与完整流水线是否能一键运行仍需按仓库实际说明确认。还需补的验证包括在自监督表示上重复估计、加入时序建模，以及在类型更多样的语言与临床人群上测试。

何时值得尝试这套标尺，如何一句话记住它

当你的任务需要把情绪内容病理分开处理，例如为临床评估排除情绪干扰，或为内容识别降低病理变异的影响，这套有界估计流程值得先在手工特征上试 1 次，用来设定正则目标与分支设计依据。原文给出的可操作启发包括跨维度互信息约 0.10 纳特可作为解耦正则的现实目标，语言编码器优先滤波器特征而情绪编码器受益于源主导线索，以及在覆盖上 100 种语言背景的组合上仍观察到一致低耦合。但这些都 pending 在学习表示上的验证，不能直接当成编码器必然有效的保证。

一句话记住，本文不是训练了一个更好的分离模型，而是证明了在所用特征与数据下分离在信息论意义上是可行的，并给出了可复现的称重方法。后续工作应把同样的上下界加非参数校验搬到神经表示与更广临床人群上，再谈真正的通用解耦。

⚖️ 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