朗读与实拍之间：泰卢固语和马拉雅拉姆语恐同恐跨语音仇恨检测为何域一换就掉点

英文题目：The First Dravidian Speech Datasets for Transphobic and Homophobic Hate Speech: Creation, Annotation, and Multimodal Benchmarking

会议身份：conference:interspeech:2026:conference-paper-id:lakshmi26_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：#多模态学习 #低资源 #多语言 #音频分类

评分：5.8/10 | 创新 1.3/2 | 技术严谨 1.0/1.5 | 实验充分 0.9/1.5 | 清晰度 0.7/1 | 影响力 0.8/1.5 | 开源 0.0/1.5 | 可复现 0.3/0.5 | 工程/实践 0.8/1.5

排名：前50% | 文档类型：数据集与基准

👥 作者与机构

• K N Lakshmi：机构信息未能从会议 PDF 纯文本可靠映射
• K Hemavardhan Reddy：机构信息未能从会议 PDF 纯文本可靠映射
• A Venkata Satya：机构信息未能从会议 PDF 纯文本可靠映射
• Kota Venkata Vamshidhar Reddy：机构信息未能从会议 PDF 纯文本可靠映射
• Jyothish Lal G：机构信息未能从会议 PDF 纯文本可靠映射
• Premjith B：机构信息未能从会议 PDF 纯文本可靠映射
• Jesin James：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

本文任务是从泰卢固语和马拉雅拉姆语语音中识别恐同、恐跨与无仇恨三类输出，难点在于低资源、代码混合、讽刺韵律及诱发朗读与社媒自发语音的域差异。方法链先将音频统一为16 kHz单声道并做语音活动检测切分，再分别用Wav2Vec 2.0提取声学嵌入和Whisper转写加IndicBERT提取语义嵌入，随后经线性投影对齐至共享空间并由注意力加权融合，最后送入双分支多尺度分类器输出类别。相对已有纯文本仇恨检测，该机制显式引入音高与语调等副语言线索并在域内实现互补。在马拉雅拉姆语域内评测条件下，多模态融合的F1为0.9566，高于文本单模态的F1 0.8300。跨域时声学失配导致性能骤降，暴露声学泛化脆弱性。该结论的适用边界受限于小规模双语言三分类封闭评测，跨方言噪声与重叠语音场景尚未验证。结论仅适用于小规模双语言三分类封闭评测，无法外推至方言、噪声、多说话人重叠及开放社媒分布。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 篇投向语音顶会的论文，任务是针对泰卢固语和马拉雅拉姆语这两种达罗毗荼语，做面向性少数群体的语音仇恨检测。输入是语音，一条样本就是一段录音，可能是受控朗读，也可能是从社交平台截下的自发说话。目标是把每段语音判到 3 类中的一类：恐同、恐跨、无仇恨。这里的恐同指针对同性恋群体的敌意或贬低，恐跨指针对跨性别群体的敌意或贬低，无仇恨指中性或与该主题无关的内容。白话说，模型要听出话里是否在攻击特定的性取向或性别认同。

这篇解读默认你刚进入语音或音频方向，目标是让你能复述方法、能核对实验条件、能判断结论的边界。必须保留的信息包括两种数据集的构造方式、标注类别与一致性、语音和文本两路特征的来源与维度、融合与分类结构、3 类评测划分、硬件与训练配置，以及同域强、跨域掉点的核心结果。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，不补论文之外的数值。凡是教学用的举例都会标明是例子，不当作论文证据。

先讲清一个关键判断：这不是把声音丢给一个大模型就结束的任务。仇恨在语音里有两个载体，一是说了什么词，二是怎么说的。同样一句话，用平述和用讽刺的语气说，含义可能完全相反。论文反复强调的副语言线索，就是指语调、音高、重音、语速和情绪起伏这些不在字面里的信息。因此方法必须同时处理声学和语义，实验必须同时检验干净朗读和 noisy 实拍，复现时也必须同时准备音频预处理和转写文本两条链路。

此前路线走到哪里，为什么语音仍是空白？

在文本仇恨检测这条路线上，已有工作覆盖了种族、性别、宗教和性取向等属性。论文引用的文献计量研究回顾了上 100 篇社交媒体恐同恐跨检测论文，说明自动检测的需求早已成立。在高资源语言上，基于词频和逆文档频率的传统方法能做粗筛，但难以处理语境、讽刺和俚语；基于变换器的方法，例如多语和印度语言模型，在多语和代码混合场景下表现更好。针对印度语言，已有共享任务发布了恐同恐跨文本数据集，也有工作用多语言表示模型做泰卢固语系统，用印度语言预训练模型做马拉雅拉姆语和泰米尔语评论，还有工作把情感数据拿来做多任务以缓解标签稀缺。

但这些路线几乎都是文本中心。也就是说，同样的输入、同样的目标、同样的监督，在语音侧没有公开可用的达罗毗荼语恐同恐跨数据集。没有语音数据，就无法研究语气的作用，也无法评测多模态融合。论文的定位因此很清晰：不是再提一个文本分类器，而是在数据层面补上语音这一块，再给一个可复现的多模态基线。理解这一点很重要，后文所有关于诱发集和社交媒体集的设计，都是为了让语音研究能起步，而不是为了证明某个融合结构是最优的。

同运行阶段的对照也要摆正。文本单模态基线用的是转写后的文本编码加任务头，语音单模态基线用的是声学嵌入加双向长短时记忆网络加注意力加全连接。它们和多模态基线共享同样的预处理和划分，只是输入模态不同。这种对照回答的是互补性问题，而不是谁的预训练更大。若把不同预训练规模、不同数据量的系统直接比大小，就会把类别差异误当成同条件胜负，这是阅读相关工作时要避免的误解。

要解决的具体问题与输出形式是什么？

形式化地说，问题是三分类：给定一段单声道语音，输出恐同、恐跨、无仇恨中概率最高的一类。输入侧有两个现实条件，一是诱发朗读，录音清晰、语速平稳、背景噪声低；二是社交媒体实拍，带有环境噪声、重叠语音、俚语、情绪爆发和自动转写错误。输出侧要求给出可评测的类别判决，评价用准确率和宏平均 F1。白话解释宏平均 F1：先在每一类上算精确率和召回率的调和平均，再对 3 类取平均，这样小类不会被大类淹没。指标方向是越高越好。

举一个教学用的例子，不是论文原句：同样是说某群体不需要特殊权利，平铺直叙可能被标为恐跨，而带着讽刺上扬语调说所谓进步，可能同样是恐跨但文本字面更隐蔽。这个例子只用来说明为什么需要声学分支，不能当作论文的证据。论文真正要验证的是两件事：第一，在分布一致时，声学加语义是否比单看一侧更好；第二，当从朗读换到实拍时，声学分支是否比文本分支掉得更多。所有实验划分都围绕这两个问题展开。

还需要明确监督来源。监督来自 3 名母语者的人工标注，类别集合固定为 3 类，一致性用 Kappa 度量。论文没有声称标签无噪声，也没有声称社交媒体样本覆盖所有方言和平台。它的结论边界是：在当前两种语言、当前两种采集条件下，多模态在同域内互补，在跨域时声学泛化困难。这个边界后文还会用数字反复核对。

基线全景：一段语音如何走完输入到三类输出？

先沿一个样本走完全程。假设输入是一段马拉雅拉姆语社交媒体截取的语音，时长几秒，背景有噪声。第一步是预处理：统一转成波形文件、单声道、16 千赫采样，再用语音活性检测切掉非语音段。第二步走两条路：声学路把波形送进对应语言的 Wav2Vec 2.0，取最后一层隐藏状态并在时间上平均池化，得到 1024 维的整句语音向量；文本路先用对应语言的语音识别模型转写成文字，再把文字送进多语言掩码语言模型，取句首标记的最后一层状态作为 768 维的句向量。

第三步把两路都线性投影到共享 768 维空间，用轻量注意力算出两个权重再加权求和。第四步把融合向量送进多尺度分类头，输出 3 类的对数值，取最大者作为预测。

下面这张图是论文给出的多模态基线框图，值得按输入到输出的顺序细读。它把投影、融合、分类头和测试输出画在了一起，是复现时对照维度与分支的最好依据。

看图路径： 1. 先从左侧绿色投影与融合框读出语音由 1024 维转 768 维、文本保持 768 维再做注意力融合的输入动作；2. 再看蓝色模型框内多尺度分类头的两个分支宽度与丢弃率，以及拼接后经全连接到三类的输出动作；3. 最后核对右侧测试框的三类输出是否为恐同、恐跨和无仇恨，并确认箭头只从已训练模型指向测试

论文图 1。原论文 Figure 1：“Proposed multimodal hate speech detection baseline framework.”。

从像素可见的内容看，图的顶部绿色框明确写了投影动作和注意力融合，蓝色大框是模型主体，内部虚线框是多尺度分类头，写明两个分支分别从 768 维到 512 维和到 256 维，各自接层归一化、激活和丢弃率为 0.3 的丢弃，随后拼接 512 加 256 再经全连接回到 256 维并压到 3 维，最后经 Softmax 输出 3 类。右侧黄色测试框并列给出恐同、恐跨、无 3 类，箭头从已训练的多模态模型指向 3 类，说明推理阶段是前向计算加取最大，没有额外的检索或重排序。读图时不要猜左侧被截断的编码器细节，像素只清晰显示了融合之后的部分，前面的语音和文本编码器以正文描述为准。

两路编码与融合分类各自分工什么，为什么这样配？

先解释术语。Wav2Vec 2.0 是一种自监督语音预训练模型，先在大量无标注语音上学声学表示，再被拿来抽特征；IndicBERT 是面向印度语言的预训练语言模型，这里用的是支持掩码语言建模的版本，负责把转写文本变成句向量。注意力融合指用一个小网络为两路打分再归一化成权重；多尺度分类头指用不同宽度的并行分支学不同粒度的组合，再拼起来做决策。

诱发语音 × 社交媒体音频摘录： 诱发语音负责提供可控、可比的清晰朗读，读的是事先从社交媒体搜集并筛选的恐同、恐跨和中性句子，录音清晰、噪声低，便于学到稳定的声学和语义对应；社交媒体音频摘录负责提供真实部署样貌，直接从访谈、辩论、新闻和反应视频中截取自发话语，带有噪声、口语、情绪起伏和话轮变化。二者搭配的理由是只用朗读会高估性能，只用实拍又难以做受控训练与对照，因此用前者做主训练域、后者做跨域检验，共同逼出对域偏移鲁棒性的评价。

Wav2Vec 2.0 声学嵌入 × IndicBERT 语义嵌入： Wav2Vec 2.0 声学嵌入分工是把波形变成能保留音色、语调、重音和节奏的向量，承担副语言线索的捕捉；IndicBERT 语义嵌入分工是把自动转写文本变成能保留词义和句义的向量，承担词汇和立场含义的捕捉。搭配理由是仇恨有时写在词里，有时藏在语气里，单看一侧会漏检，论文因此先把 1024 维语音向量和 768 维文本向量都投影到共享 768 维空间，再做加权求和，让模型在同域内同时利用两种证据。

注意力融合 × 多尺度分类头： 注意力融合分工是为语音和文本两路输出权重再加权求和，解决两路可靠性随环境变化的问题；多尺度分类头分工是用 512 维和 256 维两个并行分支分别学不同粒度的组合特征，再拼接后经全连接压到 3 类。搭配原因是融合只解决怎么加权，分类头解决加权之后怎么抽象，论文用轻量的线性加激活加 Softmax 做权重，用层归一化加激活加丢弃做分支正则，共同构成从融合向量到恐同、恐跨、无仇恨 3 类对数值的映射。

具体计算上，论文给出的安排是：语音侧取最后一层隐藏状态做时间平均，得到 1024 维；文本侧最大序列长度取 256 并做截断与填充，取句首标记的最后一层状态得到 768 维；两者线性投影到共享 768 维。融合模块是线性加激活加 Softmax，输出两个权重。分类头是两个并行分支，分别是全连接到 512 和到 256，各接层归一化、激活和丢弃，再拼接成 768 维，经全连接到 256 维再到 3 维。

需要如实指出缺项：论文没有报告注意力模块的隐藏维度、投影层是否带偏置、层归一化的位置细节、两个分支拼接后的归一化与激活安排，也没有说明 Wav2Vec 2.0 和 IndicBERT 在训练基线时是冻结还是微调。从模型名称不能推定冻结或更新，复现时应先按特征抽取加训练融合与分类头的最小假设起步，并记录自己的选择。

单模态分支的分工也要讲清。语音单模态是声学嵌入接双向长短时记忆网络加注意力再接全连接加 Softmax，保留了时序建模；文本单模态是语义嵌入接任务头，依赖词汇模式。这种设计让同域与跨域的对照更公平：若多模态在同域胜出，可解释为互补；若在跨域落到文本单模态之后，可解释为声学可靠性下降拖累了简单融合。

数据如何建成，标注与训练如何执行？

数据集论文的方法职责由构造与标注流程承担，训练部分则是基线的优化过程。先讲诱发集。团队先从社交媒体搜集恐同、恐跨和中性文本做成朗读提示，再招募母语者朗读。每人读 3 类各 10 句，共 30 句，要求 16 千赫、16 位精度，麦克风距离 10 到 15 厘米。录完后做质检，不合格重录。

目的是得到发音清晰、背景干净的朗读语音。论文提到说话人略偏向男性，并引用社会语言学证据说明敌意表达存在性别差异，这意味着性别分布是有偏的，复现时不能当作均衡抽样来用。

再讲社交媒体集。团队从公开视频中筛选与性别认同、性取向和社会争议相关的内容，用下载与剪辑工具去掉非语音段，截成短片段后人工标成 3 类。伦理安排是：诱发录音经知情同意、可随时退出；社交媒体只用公开可得的短片段、可识别的个人信息段会被去掉，并按研究性合理使用处理，遵循机构伦理规范。资源状态是正文开源声明的唯一依据，本次没有发现来源绑定且完成验证的资源，因此不得声称代码、模型或数据已公开，复现应按论文描述自行重建流程。

Cohen’s Kappa × 三分类标注： 三分类标注分工是把每段音频判定为恐同、恐跨或无仇恨，给出监督信号；Cohen’s Kappa 分工是扣掉偶然一致后度量 3 名母语标注者之间的一致程度，用来判断标签是否可用。搭配原因是仇恨边界主观性强，若一致性低则后续的准确率和宏平均 F1 都不可信，论文报告泰卢固语和马拉雅拉姆语两个 Kappa 值，说明标注过程达到了可训练和可评测的一致水平。

训练细节按原文交代：用交叉熵损失和 Adam 优化器，学习率取 0.00001，指标是准确率和宏平均 F1，保存验证集最优检查点并用耐心为 20 的早停，预测时对对数值取最大。论文没有报告批量大小、训练轮数上限、随机种子、验证集划分比例之外的切分细节，也没有报告梯度是否截断。缺失的不是错误，但复现时必须补记，否则跨机器对比会失准。

评测条件如何划分，预处理与硬件如何固定？

评测的核心是 3 种配置。配置一是同域：按分层 80 比 20 在诱发集上划分训练与测试，再从训练中分 20% 做验证。配置二是跨域：在诱发集上训练与验证，在社交媒体集上测试。配置三是混合：训练与验证用诱发集加少量诱发测试子集，测试用社交媒体数据加部分诱发数据，用于观察少量目标域暴露是否带来恢复。白话说，配置一测学得好不好，配置二测换环境后摔得多重，配置三测见过一点实拍后能否摔得轻一点。

同域评测 × 跨域评测： 同域评测分工是检验模型在分布一致时能否学好互补线索，训练和测试都来自诱发朗读；跨域评测分工是检验声学和转写质量变化时的迁移能力，在诱发集上训练、在社交媒体集上测试。搭配理由是只有同时报告两者，才能区分是模型本身不行还是域变了不行，论文因此又加了混合条件，用少量目标域暴露来观察性能是否部分恢复。

预处理必须严格复现：即使录制时已按 16 千赫录制，仍用转码工具统一转成波形、16 千赫、单声道，再用语音活性检测以 30 毫秒帧、激进度 2 切掉非语音。文本侧用对应语言的语音识别模型转写，再送进语言模型。硬件与软件环境按原文是英特尔 i7-12700H、16 GB 内存、英伟达 RTX 3050 Ti 4 GB，软件栈包括特定版本的深度学习框架、音频库和变换器库。复现时若显卡不同，应至少记录批量与精度设置，因为小显存会影响可跑的序列长度和批量。

下表把数据集规模与标注一致性放在一起，目的是回答数据量是否足以支撑监督学习，以及标签是否一致到可用。比较问题是诱发集与社交媒体集的数量级差异有多大，公平条件是同一语言内对比，指标方向是文件数越大越利于训练，Kappa 越高越可信。

表后需要解释代价与边界。诱发集在两个语言上分别是 630 条和 269 条，3 类大致均衡，适合做主训练域；社交媒体集只有 73 条和 100 条，但说话人更多样、噪声与口语更真实，适合做跨域检验。代价是跨域测试样本很少，一两条的对错就会明显拨动指标，结论应强调趋势而非小数点后 2 位的排名。未胜出项在这里就是社交媒体集本身：它更真实但量小，不能单独拿来训练大模型，这正是论文用混合配置的原因。未评测的边界包括方言、平台和性别分布，原文已承认男性偏斜和平台特定话语的影响。

主结果测了什么，谁和谁比，数字支持什么判断？

主结果回答的是同域互补与跨域掉点。被测对象是多模态基线，对照是语音单模态和文本单模态，条件一致指同一配置、同一划分、同一预处理。指标是宏平均 F1，方向越高越好。论文报告多模态在同域最好，说明分布一致时声学和语义互补；在跨域时大幅下降，泰卢固语和马拉雅拉姆语分别下降约三成和约 50%，归因是噪声、俚语和转写错误破坏了跨模态对齐；在混合条件下部分恢复，说明少量目标域暴露有助于鲁棒性。

下表不罗列只能从原表矩阵读到的绝对 F1，而是用正文连续句子中实际出现的相对变化来做可运行策略的比较，避免为绝对值补无源引用。比较问题是多模态相对单模态的收益何时为正、何时为负，公平条件是同语言同配置，指标方向是相对增益为正表示多模态更好，为负表示单模态更稳。

表后解释收益与代价。同域内多模态同时 beating 两个单模态，支持副语言加语义互补的判断，论文举例说某些看似积极的词在讽刺语调下实为恐跨，文本单看会漏检。跨域时文本单模态反而更稳，在马拉雅拉姆语上超出多模态约 50%，说明词汇模式比声学条件更稳定，而简单融合对模态质量不对称敏感。代价是声学在受控时是加分项，在信噪比波动下变成拖累项。反例必须保留：混合条件下多模态虽比语音单模态好，但仍低于文本单模态，不能把部分恢复写成全面反超。限制是社交媒体测试集很小，且混有转写错误，跨域差距里有多少来自声学、有多少来自转写，原文没有做细分解。

去掉一路会怎样，融合在什么条件下失效？

论文没有做传统意义上的逐模块消融，但单模态对照起到了等价作用。把融合拿掉、只留语音，相当于检验副语言单独能走多远；只留文本，相当于检验词汇模式单独能走多远。同域时两者都不如融合，支持缺一路都会丢信息的判断。跨域时语音单模态掉得更多，文本单模态相对抗跌，支持声学对环境更敏感的解释。这里不能写拿掉后必然怎样的因果断言，因为没有控制转写质量和噪声水平的正交实验，只能说证据支持而非证明。

失效条件值得单独展开。第一是信噪比波动，实拍的录制环境、麦克风距离和情绪峰值都与朗读不同，声学嵌入的分布发生偏移。第二是转写错误，俚语、重叠语音和口音会让文本路也受损，但损伤小于声学路。第三是融合方式简单，加权求和在某一模态不可靠时没有门控或降权到足够的程度，反而把噪声带进决策。混合条件部分恢复，说明让模型见过一点目标域特征有助于重估权重，但论文没有报告加多少实拍最划算，也没有比较更复杂的门控融合，因此不能承诺换融合就一定解决。

还有一个未评测的边界：说话人重叠。若同一说话人同时出现在训练和测试，指标会虚高。论文给出了说话人数量和性别分布，但没有明确说明划分是否按说话人隔离。复现时应优先做按说话人隔离的划分，再与随机划分对比，否则无法判断同域高分里有多少是记住了说话人音色。

哪些结论站得住，哪些还只是推测？

站得住的是三点。第一，资源层面首次给出了两个语言、两种条件下的语音仇恨数据集，填补了只有文本的空白。第二，同域内多模态优于单模态，说明在分布一致时副语言有增量价值。第三，跨域时性能明显下降且文本更稳，说明从朗读到实拍的声学泛化是主要难点。这些都有直接报告的数字或明确的相对变化支撑。

有限解释的是归因。论文把跨域下降归因于噪声、俚语和转写错误，这符合直觉，也与混合条件部分恢复一致，但没有量化每一项的贡献。例如，没有报告只用人工转写替换自动转写后能回升多少，也没有报告只做语音增强后能回升多少。因此归因是支持而非证实，应使用可能的措辞。

待验证的是部署层面的推测。原文没有测量误判率在不同群体上的差异、推理延迟、实时因子和标注成本，也没有报告训练时长和显存占用随批量的变化。因此不能承诺该基线更公平、更快或更便宜。总体趋势不等于每组都成立，例如泰卢固语和马拉雅拉姆语的下降幅度不同，不能把平均下降幅度套到任一语言上。论文自己也指出说话人偏斜、平台特定话语、噪声与重叠语音是局限，后续需要扩充人口、方言和平台，并做噪声鲁棒与感知转写错误的融合。

若要复现，先做什么，需要哪些信息条件？

复现分两条线。数据线先重建诱发集：按 3 类各准备 10 句每人的提示文本，共 30 句每人，录制 16 千赫、16 位、麦克风 10 到 15 厘米，质检不合格重录；再重建社交媒体集：只用公开视频，截短片段、去掉可识别个人信息、保留噪声与口语的原貌，按 3 类标注并算 Kappa。基线线先固定预处理：统一转码、单声道、语音活性检测切除非语音，再分别准备对应语言的语音编码器和转写模型，最后实现投影到 768 维、注意力加权求和与双分支分类头。

关键超参数与信息条件要保留：文本最大长度 256 并做截断填充，语音取最后一层平均池化到 1024 维再投影，分类头分支为 768 到 512 和 768 到 256 并用丢弃率 0.3，优化用交叉熵加 Adam、学习率 0.00001、早停耐心 20、保存验证最优。必须补记原文缺项：编码器是否冻结、批量大小、随机种子、说话人是否隔离划分。若按最小假设起步，建议先冻结编码器只训融合与分类头，跑通三配置后再尝试解冻，用验证集决定。

验证动作至少包括：检查转码后采样率与声道数是否统一；检查语音活性检测是否误删短停顿后的仇恨关键词；检查转写错误率在两域上的差异；分别报告准确率和宏平均 F1，避免只看准确率被大类带偏。由于本次未发现可验证的公开资源链接，不得写数据或代码已公开，复现报告应写本次未能确认可达，并给出自己重建的数据规模与 Kappa 以便他人对照。

何时值得尝试这套方法，还需补哪项验证？

当你的场景满足三点时值得尝试：语言是低资源且文本线索不足、语音里有明显的语气与情绪、训练和部署的录制条件比较接近。此时用声学加语义的融合能在同域内捡到单模态漏掉的样本，尤其是讽刺和隐晦贬低。若部署环境是开放社交平台、噪声和俚语多、麦克风各异，则应先假设声学不可靠，把文本单模态作为强基线，再把语音当作条件性补充，而不是默认融合一定更好。

还需补的验证很具体：按说话人隔离重测同域性能；用人工转写替换自动转写，分离转写错误与声学失配的贡献；对比简单加权与门控融合在跨域下的差距；报告小样本社交媒体测试下的置信区间，避免把一两条的波动当成方法差距。若这些验证显示文本稳、语音波动大，下一步应做域自适应和噪声鲁棒，而不是堆更大的融合头。回到中心矛盾：朗读教会模型听得清，实拍要求模型在听不清时仍判得准，这篇工作的价值是把这个矛盾第一次摆到泰卢固语和马拉雅拉姆语的语音桌上，并给了可复现的起点。

⚖️ 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