英文题目：Preference-ASR: A Preference-Aware Test Set for Benchmarking ASR in the Era of Speech LLMs
会议身份：
conference:interspeech:2026:conference-paper-id:koluguri26_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。
标签：#基准测试 #数据集 #基准设计 #语音识别
评分：6.5/10 | 创新 1.2/2 | 技术严谨 1.2/1.5 | 实验充分 1.0/1.5 | 清晰度 0.8/1 | 影响力 1.0/1.5 | 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：数据集与基准
👥 作者与机构
- Nithin Rao Koluguri：机构信息未能从会议 PDF 纯文本可靠映射
- Sasha Meister：机构信息未能从会议 PDF 纯文本可靠映射
- Nikolay Karpov：机构信息未能从会议 PDF 纯文本可靠映射
- Piotr Żelasko：机构信息未能从会议 PDF 纯文本可靠映射
- Desh Raj：机构信息未能从会议 PDF 纯文本可靠映射
- Jagadeesh Balam：机构信息未能从会议 PDF 纯文本可靠映射
- Boris Ginsburg：机构信息未能从会议 PDF 纯文本可靠映射
📌 核心摘要
现有自动语音识别（Automatic Speech Recognition，简称ASR）评测用固定参考文本计算词错误率（Word Error Rate，简称WER），但各测试集对数字口语形与书面形、不流利词和大小写的约定互相冲突，标准归一化又抹掉用户真正关心的格式差异。Preference-ASR把输入定义为音频加自然语言偏好指令，输出为遵从指令的转写文本，难点在于同一音频在不同指令下应有不同正确答案。方法链分三步衔接：先人工校对多源转写得到干净底本，再由大语言模型（Large Language Model，简称LLM）按归一化与实体与不流利词与大小写分类并生成双向指令与偏好参考，最后人工复核形成三元组。与已有丰富转写和语音指令评测相比，关键差异是参考答案以指令为条件且评测用偏好感知归一化选择性跳过冲突步骤，使格式遵从可直接计入误差。在偏好感知WER下，Qwen3-Omni指令设置在归一化类取得9.84%，优于同设置Canary-Qwen的11.32%，方向为越低越好，暴露了标准归一化下两者接近时隐藏的遵从差距。该结论仅适用于英语单句转写与四类格式偏好，未验证多说话人、长音频、多语言及真实部署提示噪声下的外推。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
输入是什么，目标是什么，这篇解读要交付什么？
本文解读的对象是 1 篇语音识别评测论文，输入是 7 个开源英语语料的音频与原始转写，目标是检验语音大模型能否按自然语言偏好指令输出指定风格的转写。需要保留的关键信息包括 4 类偏好定义、2 阶段构造流程、偏好感知归一化器的跳步规则、4 种被测模型的条件差异，以及标准词错误率与偏好感知词错误率两套数字。
输出是一套可核对的方法复述：读者能说清每个样本如何从音频变成三元组，评测时归一化器在哪一步跳过，以及为什么同一模型在两种指标下排名会变化。全文按学习依赖展开，先讲传统评测为什么失灵，再讲数据集全景与 4 个组件，随后讲构造与评测的实际计算，最后讲实验条件、主结果、反例与复现动作。教学中出现的简化例子会明确标为例子，不引入原文之外的数值或效果承诺。
关于资源可得性，本次收到的证据中没有完成超链接可达验证的资源绑定，因此不能声称代码模型或数据已公开，只能按正文描述转述作者的发布意图。
已有路线解决了哪一段，为什么还留着缺口？
论文把相关工作放在 3 条线上。第一条是丰富转写，探索端到端直接输出带格式的结果，但没有把评测真值与显式的用户指令绑定，模型做对格式也无法归因到遵从指令。第二条是多模态音频理解与指令跟随评测，例如对音频的理解推理和灾难性遗忘的度量，它们测的是听懂与推理，不是转写层的大小写、数字形态与不流畅取舍。
第 3 条是指令跟随语音识别的早期演示，证明了语音模型可以接受指令，但没有处理跨数据集标注不一致，也没有发布可供横向比较的公开测试集。传统自动语音识别本身从隐马尔可夫模型走到端到端连接时序分类与循环神经网络换能器，再到语音增强大模型，模型侧已经能接受风格指令，但评测侧仍用固定参考算词错误率。
缺口因此很具体：没有一个测试集的参考答案是以人类指定的格式指令为条件的，评测管道又用统一归一化把大小写、数字形态和符号差异提前擦除，研究者无法区分模型是听不准还是格式没跟上。
传统参考与归一化在哪些字面上不一致？
论文指出的问题不是抽象的标注噪声，而是可以直接念出来的字面分歧。数字格式上，有的语料把数字写成口语词并全部小写，有的语料用逆归一化后的书面形并缺少正确大小写，同一数据集中甚至混用两种形态。不流畅处理上，有的语料保留全部填充词、重复和假启动，有的语料整段删掉。说话人归属上，有多说话人音频却只给一个说话人的转写，有的语料对背景语音没有明确取舍规则。对齐与转写质量在不同语料中也有差异。
后果是模型在某个榜单上的排名更多反映它恰好撞上了该数据集的标注习惯，而不是真实转写质量。更关键的是用户偏好本身就是多向的：数据库入库需要数字，广播稿需要单词；发音教练需要保留每个不流畅，会议纪要需要清理；实体需要用领域词表做偏置；大小写标点影响可读性和下游分析。
标准评测把这些格式信号当噪声归一化掉，恰好删掉了用户最关心的能力维度。 下面这张图用两组最小对比例子把跨数据集不一致钉死，读图时先看字面差异，再看底部小字总结的惯例结论。
看图路径： 1. 先看蓝色框内同一数字含义的两种参考写法：口语形与书面形；2. 再看橙色框内同一语义句子的两种不流畅处理：保留与删除；3. 最后读每框底部斜体小字确认这是数据集标注惯例差异而非说话内容差异
论文图 1。原论文 Figure 1：“Existing ASR references exhibit inconsistent conven- tions across datasets: GigaSpeech writes numbers in spoken form while Earnings-22 uses written form; AMI preserves filler…”。
这张图上半蓝色框展示归一化分歧：同一百分比含义在 GigaSpeech 参考中写成 seventy percent 的口语形，在 Earnings-22 参考中写成 10% 的书面形。下半橙色框展示不流畅分歧：同一句 small is beautiful 在 AMI 参考中保留 Um 和 you know，在 SPGISpeech 参考中删掉它们。像素上两框用不同底色和边框区分，关键词用彩色高亮，底部斜体小字点明惯例。它的教学作用是把后文偏好分类的动机具体化：既然参考本身就没有统一约定，评测必须把指令写进输入，并让参考答案以该指令为条件，否则任何词错误率比较都是在比较运气。
Preference-ASR 用一条流水线解决什么，全景如何走通？
Preference-ASR 的回答是构造一个偏好条件的测试集，并配套一个偏好感知的归一化器。拿一个样本走完全程有助于建立全景：输入是一段音频与它在原语料中的转写，系统先人工核对修正转写，再用大模型判断该样本适合测哪类偏好，然后针对该偏好生成一条自然语言指令与一条按指令改写后的参考文本，最后再经人工复核形成音频、指令、参考三元组。评测时模型同时听到音频与指令，输出一段转写，评测端根据指令类型关闭归一化器中对应的步骤，再算词错误率。
这样数字形态、大小写、不流畅保留与否不再被提前洗掉，测到的是遵从能力。数据集最终包含 3210 条偏好三元组，另有 335 条无偏好基线样本用于测通用转写。流水线强调两轮人工核验，因为归一化方向无法仅从文本推断，必须对照音频确认。 下图是 2 阶段流水线的完整主路径，阅读时按箭头顺序把输入数量与输出数量对齐。
看图路径： 1. 沿从左到右箭头数出六个方框并区分两次人工核验的位置；2. 确认蓝色虚线框 Stage 1 只做分类，紫色虚线框 Stage 2 才生成指令与参考；3. 核对最左侧输入标注为 3545 条，最右侧输出标注为 3210 条三元组
论文图 2。原论文 Figure 2：“Two-stage construction pipeline for the Preference-ASR dataset.”。
从像素看，流程从左到右依次是音频加原始真值、第一次人工核验、偏好分类、指令与参考生成、第二次人工核验、测试集。中间两框分别用蓝色与紫色虚线标出 Stage 1 与 Stage 2，并注明大模型辅助与按类别或按偏好执行。首框标注 7 个语料共 3545 个样本，尾框标注 3210 条三元组含音频指令与参考。这张图固定了后文所有细节的位置：分类逻辑、生成方向、优先级去重与分布统计都是对这条主路径的展开，偏好感知归一化器则是评测端与之对称的另一半。
四类偏好各自测什么，指令长什么样？
4 类偏好覆盖了真实转写中最常起摩擦的位置。归一化处理口语形与书面形不同的非标准词，细分为数字、符号与网址链接。数字指令要求输出 22 还是 twenty-two，符号指令要求输出 100 美元与 20% 还是 one hundred dollars 与 twenty percent，网址指令要求输出 www.google.com 还是 www dot google dot com。实体聚焦长尾罕见名，覆盖公司、产品、人物、地点、组织、事件与药品名，指令以音频可能包含的名单形式给出，其中混入语义合理但音频中缺席的假实体，用于检验模型是否把文本先验凌驾于声学证据。
不流畅覆盖填充词、重复、假启动与语法错误，指令明确要求保留或去除，例如保留全部犹豫标记，或删掉 uh、um、ah 并忽略重复词。大小写标点覆盖全小写无标点与标准大小写加标点两种互斥模式，要求模型按格式指令彻底切换输出模式。
文本归一化 × 逆文本归一化： 文本归一化负责把书面形转成口语形，例如把 22 写成 twenty-two，逆文本归一化负责反向把口语形转成书面形，例如把 twelve percent 写成 12%，二者搭配的理由是同一段语音在数据库入库和广播稿场景下需要相反的输出形态，组合意义是让一条自然语言指令就能切换数字符号网址的呈现方向，而不需要硬编码后处理规则。
每条指令都配有按指令改写后的参考文本，实体与大小写类别的参考与校正后真值一致，归一化与不流畅类别则按双向生成口语与书面、保留与去除两种参考。为保证每个样本只归一类，构造时采用优先级排序：归一化优先，其次实体、不流畅，最后大小写，越难核验的类别越优先独占样本。
实体名单与不流畅开关如何组合出反例？
实体与不流畅的设计刻意包含可证伪的反例，而不仅是顺向能力。实体指令中加入假实体的动作是关键：例如参考只包含 Geograph 与 Ordnance Survey，指令却同时列出 National Geographic 与 British Geological Survey，正确行为是只输出音频中真实出现的两个名字，错误行为是把名单中的假名字也插入转写。不流畅指令的双向设计同样构成对照：同一类含有 um 与重复的样本，一条指令要求原样保留，另一条指令要求清理，模型必须根据指令切换，而不是固化为一种默认风格。
论文还把填充词在评测端统一为 um，以避免不同模型用 uh、um、ah 的同义变体互相惩罚。大小写类别的互斥设计进一步强化了切换要求：全小写模式去掉标点并统一小写，标准模式要求句首大写与句末标点，模型不能用折中写法同时讨好两种参考。
上下文偏置 × 虚构： 上下文偏置负责把可能出现的实体名单提前提供给模型以降低尾部罕见名的错误，虚构负责描述模型背离声学证据而插入名单中并不存在的词，二者搭配的理由是只有同时给出真实体和语义合理但音频中缺席的假实体，才能测出模型是利用偏置还是迷信文本先验，组合意义是把实体评测从单纯拼对名字推进到声学接地能力的检验。
保留不流畅 × 去除不流畅： 保留不流畅负责原样输出 um、uh、重复和假启动以支持发音教练等逐字场景，去除不流畅负责删掉这些犹豫标记和重复以支持会议纪要等可读性场景，二者搭配的理由是同一段自发语音在不同应用中对杂质的要求完全相反，组合意义是用保留或去除 2 个方向的指令检验模型能否在丰富转写任务中双向切换。
这些组合的共同点是把参考答案变成指令的函数：不先读指令就无法知道正确答案的字面形态。这正是与传统固定参考的本质区别，也是后文必须用偏好感知归一化的原因。
没有模型训练时，真正的计算与人工动作在哪里？
本研究没有训练新的声学模型或语言模型，该节对应的真实工作是数据集构造与评测器配置。计算动作集中在 2 阶段大模型调用与 2 次人工核验。起点是从 7 个来源语料各取约 600 条，组成 3545 条的候选池，先由人工核对并修正基线转写。第一阶段用 Qwen3-30B-A3B 指令版对每条校正后转写做偏好分类，例如含 three point five dollars 的样本标为归一化，含 um 或词语重复的样本标为不流畅。
第二阶段对已分类样本生成一到两条不同指令与对应偏好文本，归一化生成文本归一化与逆归一化 2 个方向，不流畅生成保留与去除 2 个方向，实体与大小写按真值生成对应指令。随后按优先级去重保证单样本单类别，最后人工复核形成 3210 条三元组，剩余 335 条作为无偏好基线。论文明确说明归一化类最需要人工核验，因为仅看文本无法推断音频中实际说的是数字还是单词。所有推理与生成在两块 48 GB 显存的显卡上完成。
未报告的缺项是分类与生成的具体提示词、采样温度与人工核验的通过率，这些信息缺失意味着他人难以逐字复刻同一批指令措辞，只能复刻流程与类别定义。
评测条件如何配平，偏好感知归一化器跳过哪一步？
评测沿两个维度组织：加偏好指令是否改变原始识别准确率，以及用偏好感知指标是否真正测到格式遵从。被测模型覆盖 4 种指令跟随能力：Parakeet-TDT-0.6B-v3 是传统非大模型基线，FastConformer 编码器加 TDT 解码器贪心解码，不接受指令输入，只在默认条件下评测；Canary-Qwen-2.5B 是 FastConformer 编码器接 Qwen 2.5 并做低秩适配，但在标准语音识别对上训练，没有偏好专项调优；Phi-4-Multimodal 5.6B 用模态专属低秩专家融合语音视觉文本，原生支持指令；Qwen3-Omni-30B 是原生多模态并带上下文偏置训练，被视为指令感知最强的系统。
每个支持指令的模型测两种提示：默认提示是不带偏好要求的通用转写，指令提示是在默认要求后追加偏好指令。基线 335 条在两种通用措辞下评测，用于检验提示措辞本身的敏感性。指标分两层：标准词错误率对参考与假设做全量归一化，隔离词内容准确率。
偏好感知词错误率按当前偏好关闭对应步骤，归一化类跳过自身的口语书面转换，不流畅保留时保留重复与填充词、去除时双端剥离，大小写类关闭小写化以直接评测大小写标点，实体类沿用标准归一化因为词错误率本身已能捕捉名字对错，其余拼写与空白清理保持开启。 下图给出 4 类偏好的最小可运行实例，读懂它们就读懂了评测输入的完整形态。
看图路径： 1. 逐框核对 GT、Instr、Pref 三行是如何对应的，粗体即为被改写处；2. 在实体框中找到下划线标出的假实体并确认 Pref 没有跟随它们；3. 对比大小写框的 GT 与 Pref，观察标点与大写是如何被同步去掉的
论文图 3。原论文 Figure 3：“Examples from Preference-ASR. Each box shows ground truth (GT), preference instruction, and expected out- put (Pref).”。
从像素看，该图自上而下为蓝紫橙绿四框，右上角标注来源语料与方向。每框均为三行：原始真值、指令、期望输出，粗体标出改写处。归一化框把 12% 与 50 改成 twelve percent 与 fifty；实体框指令含 4 个名字而期望输出只保留音频中真实的两个；不流畅框删掉多个 uh、um 与 you know。
大小写框把首字母大写与标点全部去掉并统一小写。这组例子同时说明了评测配平的要点：比较必须在同一偏好方向与同一归一化跳步下进行，跨方向或跨归一化设置的数字不可直接对比好坏。
主结果显示了什么排名变化，哪组数字支撑判断？
在标准词错误率下，Canary-Qwen 与 Qwen3-Omni 默认表现几乎相同，分别为 5.64% 与 5.66%，均优于 Parakeet 的 6.09%，但它们对指令的反应完全分化。Qwen3-Omni 在实体指令下从 5.12% 恶化到 12.85%，原因是把提示名单中的假实体插入输出，属于提示驱动的幻觉；在归一化上从 6.00% 改善到 5.25%，在大小写上从 3.32% 改善到 3.09%，说明显式格式提示对这两类有帮助。Canary-Qwen 对指令几乎无感，总体从 5.64% 变为 5.84%，支持大模型后端若无偏好对齐训练并不会自动把指令跟随迁移到音频域的判断。
Phi-4 在不流畅上默认高达 50.18%，显式指令下回到 10.46%，说明其默认激进删除不流畅，但大小写指令反而从 3.93% 恶化到 19.76%，表明其指令跟随是类别相关的而非通用的。基线措辞实验也显示提示敏感性：仅把通用转写措辞换一种说法，Phi-4 在标准样本上从 4.41% 变为 3.88%，而 Canary-Qwen 保持 3.33% 不变。
语音大模型 × 偏好感知归一化器： 语音大模型负责根据自然语言指令改变转写风格，偏好感知归一化器负责在算词错误率前有选择地关闭与当前指令冲突的归一化步骤，二者分工是前者产生格式，后者保留格式再比较，搭配理由是若评测端仍做全量小写和数字转单词，再强的指令遵从也会被抹平或误判，组合意义是让不同偏好类别下的词错误率可以直接反映是否遵从指令。
标准词错误率 × 偏好感知词错误率： 标准词错误率负责在全量归一化后比较词内容是否正确，偏好感知词错误率负责在跳过与指令对应步骤后比较内容加格式是否同时正确，二者分工是前者隔离原始识别能力，后者度量格式遵从，搭配理由是只看前者会把大小写数字符号差异全部洗掉，组合意义是同一组模型在两种指标下排名变化本身就揭示了传统榜单遮蔽的质量差异。
下表把标准归一化下的默认准确率放在同一条件下比较，指标越低越好，公平条件是都不带偏好指令且都经过全量归一化。
| 条件 | 指标 | Canary-Qwen-2.5B | Qwen3-Omni-30B | Parakeet-TDT-0.6B-v3 |
|---|---|---|---|---|
| 默认提示，无偏好指令 | 标准词错误率 | 5.64% | 5.66% | 6.09% |
表后解释需要同时看到收益与代价。收益是 Qwen3-Omni 与 Canary-Qwen 在默认内容准确率上确实超过传统基线，差距约 0.4 个百分点。
代价是该表隐藏了格式维度：内容对不代表格式对，Phi-4 默认不流畅 50.18% 在全量归一化下仍显得极差，而它在指令下能回到 10.46%，说明默认风格与参考风格错位会被误读为听不准。未胜出项是 Parakeet，它不支持指令但在默认内容上并非最差，提示在纯内容场景下传统模型仍是有效基线，不能因其无指令能力而删除比较。
切换到偏好感知指标后，哪些差距才真正显形？
一旦改用偏好感知词错误率，所有模型的数值普遍上升，因为格式偏差不再被洗掉。例如 Canary-Qwen 的大小写默认从标准指标下的 3.59% 上升到 10.08%，报告显示其词内容大致正确但大小写标点与期望不符。排名也随指令改变：在归一化指令下 Qwen3-Omni 为 9.84%，明显优于 Canary-Qwen 指令下的 11.32% 与 Parakeet 的 11.16%，这是标准指标下不可见的差距。不流畅指令下 Qwen3-Omni 为 9.90%，优于 Parakeet 默认的 10.93%，显示真正的指令遵从。Phi-4 的不流畅从 49.88% 改善到 10.79%，但大小写从 5.88% 恶化到 27.23%，再次确认其跟随能力随类别剧烈波动。
实体幻觉在偏好感知下依然存在，Qwen3-Omni 实体指令为 12.68%，支持这不是归一化假象，而是文本提示与声学证据失衡的真实失败。总体结论是 Qwen3-Omni 在归一化、不流畅与大小写上遵从较好，但在实体偏置与音频冲突时退化；Canary-Qwen 对指令平坦，说明仅有大模型后端而无偏好对齐训练是不够的。 下表把偏好感知下的关键对照放在同一指标方向下比较，数值越低表示越遵从当前偏好，公平条件是比较同为指令提示或同为默认提示且跳步规则一致。
| 条件 | 指标 | Qwen3-Omni-30B | Canary-Qwen-2.5B | 对照基线 |
|---|---|---|---|---|
| 归一化指令 | 偏好感知词错误率 | 9.84% | 11.32% | 11.16% |
表后解释要强调收益与反例并存。收益是归一化指令下的差距被放大到约 1.5 个百分点，足以区分真正的格式遵从。代价与反例是实体行完全反转：Qwen3-Omni 在实体指令下差于 Canary-Qwen 与默认基线，说明其文本先验压过了声学证据，这是部署上下文偏置时必须警惕的失败。
未评测边界是多说话人偏好与多语言偏好，原文明确留待未来工作，因此不能把当前结论推广到那些场景。
哪些对照排除了归一化假象与提示措辞的影响？
论文用 3 组对照做反证。第一组是同一模型在标准与偏好感知两种归一化下的纵向比较：Canary-Qwen 大小写默认从 3.59% 跳到 10.08%，说明标准指标确实掩盖了格式偏差，差距来自评测端的洗白而非模型突然变差。第二组是默认与指令提示的横向比较：Qwen3-Omni 实体从 5.12% 到 12.85%，Phi-4 不流畅从 50.18% 到 10.46%，方向相反但都证明指令真实改变了输出，而不是模型对提示无感。第 3 组是无偏好基线上的措辞微调：仅改通用提示措辞，Phi-4 从 4.41% 到 3.88%，Canary-Qwen 保持不变，说明语音大模型对提示措辞敏感，而纯语音识别训练的模型保持不变。
这 3 组对照共同支持偏好感知评测的必要性：若只报告标准词错误率，会把格式不遵从误判为内容错误，或把幻觉误判为归一化差异。局限是这些对照仍是词错误率家族内的比较，没有引入人工可读性评分或下游任务成功率，因此不能把低偏好感知词错误率直接等同于用户满意度提升。
这套基准测不到什么，哪些结论需要收敛？
论文明确列出三项局限。第一是仅覆盖英语，没有多语言偏好，数字形态与大小写规则在其他语言中完全不同，当前数字不能外推。第二是尚未包含单说话人与多说话人偏好，例如指定只转写某位说话人或标注说话人轮次，这在会议与法庭场景中很关键。第三是大模型生成的偏好文本需要人工核验，尤其归一化方向无法仅从文本推断，必须听音频确认，这限制了规模化速度，也意味着复现时若跳过人工核验会引入参考错误。
表达上需要区分 3 层：直接报告的是各类别词错误率与排名变化，有限解释的是大模型后端需经偏好对齐才能迁移指令能力，未验证推测是未来减少人工与扩展多语言多说话人后的效果，后者应表述为可能或待验证。训练资源、推理开销与实际延迟在原文中未系统测量，不能承诺偏好跟随没有额外成本，也不能把总体趋势理解为每一组样本都成立。
要复现这套评测，先做什么，需要哪些信息条件？
复现的第一步是按来源复刻候选池：从 7 个开源语料的公开测试划分中取样，论文称从排行榜所用测试集获取以保证可复现，每源约 600 条，共 3545 条，先人工校对基线转写。第二步是用同类大模型做 2 阶段处理：先按归一化、实体、不流畅、大小写分类，再按双向规则生成指令与参考，并按归一化优先于实体优先于不流畅优先于大小写的顺序去重，最终保留 3210 条三元组与 335 条基线。
第三步是实现偏好感知归一化器：标准步骤包括小写化、数字与单词互转、符号处理、填充词与重复处理、拼写与空白清理，评测时按当前偏好关闭冲突步骤，例如归一化类跳过自身方向转换，不流畅保留时保留而去除时双端剥离，大小写类关闭小写化，实体类保持标准归一化。第四步是用相同提示协议评测 4 类模型：传统模型只测默认，大模型同时测默认与指令，并分别报告标准与偏好感知两套词错误率。
关键超参数与信息条件在原文中保留不全：分类与生成的提示词、解码策略仅说明 Parakeet 用贪心解码，其余模型的解码参数未详述，人工核验指南也未公开。按本次证据状态，不得声称数据集与评测代码当前可用，只能记录作者在正文中表达的公开意图，并在实际运行时先验证链接可达性。
何时值得尝试这套方法，还需补哪项验证？
当研究目标从听准词内容推进到按用户格式交付时，这套方法值得尝试：数据库入库需要逆归一化书面形，广播稿与阅读场景需要口语形，发音评估需要保留不流畅，纪要需要清理，领域部署需要实体偏置，出版需要大小写标点。它的可操作价值在于把格式要求写成输入指令，并让评测端不再提前擦除格式，从而区分内容错误与格式不遵从。复现时应优先实现偏好感知归一化器，因为它是成本最低且最能改变结论的部件。
其次补齐人工核验流程，尤其归一化样本必须听音频确认方向。还需补的验证包括人工可读性评价、下游任务收益、推理延迟与成本，以及多说话人与多语言扩展。常见的误解是把标准词错误率低等同于偏好跟随好，本文的反例正是 Qwen3-Omni 实体幻觉与 Canary-Qwen 格式偏差：前者在标准指标下与最优持平却在实体偏好下明显退化，后者在内容上稳定却在大小写格式上偏离期望。只有同时报告两套指标并保留未胜出基线，才能避免被单一榜单误导。
⚖️ 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