不做联合优化：用逐层任务向量把同域 ASR 知识并入情感识别

英文题目：AdaLTM: Adaptive Layer-wise Task Vector Merging for Categorical Speech Emotion Recognition with ASR Knowledge Integration

会议身份：conference:interspeech:2026:conference-paper-id:lee26_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：#模型融合 #语音 #语音识别 #语音情感识别

评分：6.9/10 | 创新 1.2/2 | 技术严谨 1.2/1.5 | 实验充分 0.8/1.5 | 清晰度 0.6/1 | 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

• Chia-Yu Lee：机构信息未能从会议 PDF 纯文本可靠映射
• Huang-Cheng Chou：机构信息未能从会议 PDF 纯文本可靠映射
• Tzu-Quan Lin：机构信息未能从会议 PDF 纯文本可靠映射
• Yuanchao Li：机构信息未能从会议 PDF 纯文本可靠映射
• Ya-Tse Wu：机构信息未能从会议 PDF 纯文本可靠映射
• Shrikanth Narayanan：机构信息未能从会议 PDF 纯文本可靠映射
• Chi-Chun Lee：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

类别语音情感识别（Speech Emotion Recognition, SER）需同时读出说什么与如何说，词义不变性与韵律敏感性目标冲突使联合优化易跷跷板退化。本文先在MSP-Podcast上独立微调情感模型与域内识别模型，相减得到任务向量（Task Vector），再冻结WavLM-Large主干与双向量，仅学习每层合并系数与层加权聚合及分类头。合并后24层隐状态经可学习加权求和送入情感预测头（Prediction Head），避免反向传播同时拉扯共享编码器。与全局单系数合并不同，该方法为前端与24层编码器分别学习识别与情感系数，使识别向量稳定为语言锚点而情感向量在中深层主导韵律表达。在MSP-Podcast八分类（愤怒、轻蔑、厌恶、恐惧、快乐、中性、悲伤、惊讶）上，域内双向量自适应层级合并取得非加权平均召回率（Unweighted Average Recall, UAR）38.94%、宏平均F1（Macro-F1, MaF1）35.20%，高于冻结基线约1.89个百分点，远高于多任务学习（Multi-Task Learning, MTL）基线约29.5%。该结论限于保留人工转录的播客域内数据，未验证无转录、低资源或跨语种外推，且正文前后出现38.94%与38.62%两处UAR表述不一致。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://anonymous.4open.science/r/AdaLTM-62A2/ — 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，本文要解决什么矛盾？

本文输入是原始语音波形，目标是对每段语音判别 8 类情感之一，类别包括原文列出的 Anger、Contempt、Disgust、Fear、Happiness、Neutral、Sadness、Surprise。输出是经过下游情感预测头得到的类别分布，评估以非加权平均召回率为主，辅以精确率与宏平均 F1。必须保留的关键信息是基座为 WavLM-Large，任务向量来自在情感数据集上分别微调的 ASR 与 SER 模型，合并时基座与任务向量冻结，只学逐层合并系数与加权求和权重及预测头。

语音情感识别同时依赖两类信息。一类是说了什么，例如词语选择与对话上下文能提示愤怒或悲伤的语义；另一类是怎么说的，例如音高起伏、能量、语速、笑声与停顿。对于刚入门的研究生，一个可复述的动作是先把一条样本拆成两路观察：转写文本是否本身带有情感词，声学波形在韵律上是否有明显起伏。论文的起点是只用声学基座会丢失语言上下文，而只靠转写又会受识别错误与表达性语音失配的影响。

语言学知识 × 副语言学知识： 语言学知识负责回答说了什么，即词序列与语义上下文；副语言学知识负责回答怎么说的，即音高轮廓、笑声、能量与节奏等情感载体，搭配原因是情感判断同时依赖内容与表达方式，组合意义是让 ASR 向量提供语义锚、SER 向量放大韵律，二者在深层互补而非互相覆盖。

因此本文不是把声音直接丢给一个大模型就结束，而是研究如何把自动语音识别学到的语言映射能力安全地搬进情感识别。传统做法有两条：输出层把 ASR 文本特征与声学特征拼接，以及多任务学习让同一编码器同时学转写与情感。前者受限于转写错误在表现力强的情感语音上更严重，且中间层缺少深度交互；后者则存在目标冲突，ASR 希望学到对情感不变的表示，情感识别恰恰需要情感变化。本文选择第三条路：不联合反传，而是在权重空间做自适应合并。

已有路线在什么条件下有效，在什么条件下会互相拖累？

同输入同目标的已有工作包括基于 WavLM 等自监督基座加下游头的情感分类，以及用 MSP-Podcast 做 8 分类的基线。论文引用了在 SUPERB 与 EMO-SUPERB 上表现领先才选用 WavLM-Large，这属于选型依据而非本文新证据。同监督路线中，多任务学习用同一声学编码器同时优化 ASR 与 SER 损失，运行时同为单编码器加双头。论文报告这类基线在测试集上词错误率仍高达 66.37% 与 99.12% 量级，而情感 UAR 跌到 29% 附近，显示当两个损失方向相反时，共享梯度会互相拖累。

同运行阶段的另一类是任务向量与模型合并，在自然语言与视觉任务中已有任务算术与自适应合并工作。基本想法是任务向量定义为微调参数减去预训练参数，再以系数加回基座。语音领域已有用于 ASR 模型代数与防止遗忘的工作，但用于情感识别仍少见。本文的对照点正在于此：不是提出新的预训练，而是把已有的合并思想搬到 ASR 增强的情感任务，并强调域一致性。

多任务学习 × 权重空间合并： 多任务学习负责在同一个编码器上用 ASR 损失与 SER 损失联合反传，分工是共享声学编码器；权重空间合并负责先各自微调再把权重残差加回冻结基座，分工是隔离优化过程，搭配原因是 ASR 要压掉情感变化而 SER 恰恰依赖这种变化，组合意义是用加法代替联合梯度来避免跷跷板干扰。

学习依赖上要先理解冻结与微调的区别。冻结指前向可用但不更新，梯度不写入该参数；微调指在目标数据上继续更新全部或部分参数。本文先分别微调得到两个专家，再冻结一切只学合并系数，这就把冲突从梯度层面搬到权重组合层面。复述时要说清比较公平性：多任务基线是全量可训练，而合并方法是冻结基座加极少量可学参数，二者参数更新量不在同一量级，结论应表述为在该实验配置下合并避免了干扰，而非任何多任务都必然失败。

为什么 ASR 与情感识别的目标在表示层面是反向的？

问题可以沿一个样本走一遍。输入一段带有愤怒语气的我没事，理想的 ASR 应输出我没事 4 个字，无论说话人是平静还是愤怒，模型要把音高抬升与能量增大视为需要忽略的 nuisance 变化。理想的情感识别则相反，必须把同样的音高抬升与能量增大当作判别愤怒的关键证据。一个要压掉副语言变化，一个要放大副语言变化。如果让同一个编码器同时满足两者，反传梯度会在同一组参数上提出相反的更新要求，论文称之为跷跷板效应。

第二个问题是域失配。标准 ASR 多在 LibriSpeech 这类朗读有声书上微调，目标是情感无关的干净文本映射，会主动丢弃笑声与韵律细节。把它直接搬到播客情感语料上，语言知识的分布与目标情感域不一致，合并时会出现表示拥挤：在固定容量的模型里同时容纳词法映射与韵律特征，参数会竞争。因此本文把问题分解为两步：先保证 ASR 向量本身来自同域情感语料的转写微调，再用逐层系数按深度分配两种知识的比例。

AdaLTM 全景：一个样本如何从音频走到情感标签？

全景动作如下。音频先进入冻结的卷积特征提取器与位置编码，记为第 0 层非编码器块，再进入 24 层冻结的 Transformer 编码器。每一层的权重不是原始预训练权重，而是基座权重加上两项残差：同域 ASR 任务向量乘以该层 ASR 系数，SER 任务向量乘以该层 SER 系数。所有层的隐状态被取出，做 1 次可学习的加权求和得到最终表示，再送入情感预测头输出 8 类分布。训练时只有每层两个合并系数、加权求和权重与预测头可学，基座与 2 个任务向量严格冻结。

这张框架图值得按箭头读一遍，它把冻结与可学用不同颜色与图标区分，右侧还给出任务向量等于微调减基座的定义，是理解后文所有实验的前提。

看图路径： 1. 先从左侧 Audio 经 Feature Extract 到 Transformer Layer l=1…24 再到右侧 SER 确认主路径；2. 再看上下两路 ΔW_SER 与 ΔW_ASR 如何各乘一个 λ 后注入中间 Transformer；3. 最后确认右侧 Weighted Sum 与 Downstream prediction 只在特征与分类头处可学

论文图 1。原论文 Figure 1：“The proposed Adaptive Layer-wise Task Vector Merg- ing (AdaLTM) framework.”。

从像素可见，左侧 Audio 箭头指向 Feature Extract 蓝色块，再指向标注为 Transformer Layer l=1…24 的蓝色块组，上下各有一组黄色 λ 块乘以蓝色或红色 ΔW 块后注入中间，右侧黄色块标注为 Weighted Sum 与 Downstream prediction 再指向 SER，右上与右下灰框分别给出 ΔW_SER 等于 W_SER 减 W_base 与 ΔW_ASR 等于 W_ASR 减 W_base。火焰图标对应可学，立方体图标对应冻结。解释是主路径保持冻结以防灾难性遗忘，知识注入发生在权重层面而非特征拼接层面，读出发生在加权求和层面。这种写入与读出分离的设计让模型被迫学会如何为情感任务调用 ASR 知识，而不是让 ASR 损失直接改写声学表示。

任务向量如何构造，逐层系数与特征加权各管什么？

构造分 3 步。第一步记预训练 WavLM-Large 权重为 W_base。第二步用差分学习率在 MSP-Podcast 上分别微调，一个做 8 分类情感得到 W_SER，一个做同域转写得到 W_ASR，论文报告同域 ASR 在测试集词错误率为 23.09%，而 LibriSpeech 100 小时微调的域外 ASR 词错误率为 37.86%，这说明同域转写的监督质量更高。第 3 步逐元素相减得到 ΔW_ASR 等于 W_ASR 减 W_base，ΔW_SER 等于 W_SER 减 W_base。相减捕捉的是从通用声学表示走向专用知识所需的方向与幅度，基座本身不被修改。

任务向量 × 自适应逐层合并： 任务向量负责把微调相对预训练基座的变化方向抽出来，ASR 向量携带语言映射、SER 向量携带韵律情感线索；自适应逐层合并负责为每一层学两个缩放系数 λASR 与 λSER 再加回基座，搭配理由是不同深度抽象程度不同，组合意义是让语义锚定与韵律放大按深度分工而不发生梯度干扰。

合并时把模型切为 25 个可独立缩放的位置：第 0 层为卷积前端与位置嵌入，第 1 到 24 层为 Transformer 层。每层合并权重为基座加 λASR 乘 ASR 向量加 λSER 乘 SER 向量，λ 均初始化为 0.5 以保留基座通用能力。每个任务向量引入 25 个可学标量，24 个对应 Transformer 层加 1 个对应前端块。特征聚合时取出 24 层隐状态 H 的加权和，权重 α 为归一化可学参数，再送入预测头。

合并系数 λ × 特征加权 α： 合并系数 λ 负责在权重空间按层缩放任务向量，决定每一层注入多少 ASR 或 SER 变化；特征加权 α 负责在特征空间对 24 层隐状态做可学习加权求和，决定最终表示更信任哪一层输出，搭配原因是前者解决知识如何写入基座、后者解决多层特征如何读出，组合意义是写入与读出解耦且都可学。

复述时要区分两个希腊字母：λ 在权重空间做乘加，α 在特征空间做加权平均。原文未给出 α 与 λ 之间梯度耦合的解析式，也未报告差分学习率的具体分层数值，只说明用了差分学习率微调得到专家，因此不要从模型名推定优化细节。缺项应明确指出：专家微调的学习率分层、轮数与早停条件在证据中未完整披露，复现时需以公开代码为准。

哪些参数更新，哪些冻结，监督与选点如何执行？

本节对应下游情感训练阶段，而非专家微调阶段。冻结对象包括 W_base、ΔW_ASR 与 ΔW_SER，可学对象包括每层两个 λ、24 个 α 与情感预测头参数。优化器为 AdamW，学习率为 1.0 乘 10 的负 4 次方，批量为 32，共训练 100 轮，用类别平衡的软交叉熵应对 MSP-Podcast 类别不均，每轮以验证集损失最低者作为测试评估点。硬件为两个英伟达 V100，框架为 PyTorch。

监督来源是人工标注的情感类别，ASR 知识不以损失形式出现，而是以冻结向量的形式被 λ 调用。梯度路径只经过预测头、α 与 λ，不进入基座与向量，因此不存在 ASR 损失与 SER 损失在同一参数上的直接冲突。重置时机方面，λ 每次实验从 0.5 重新初始化，α 与预测头按常规初始化重新训练，专家向量在整个下游阶段保持不变。

需要说明的边界是论文报告下游可学参数约 0.46M，占逻辑总参数 315.9M 的 0.1463%，而全量多任务基线更新 311.7M 占比 98.6684%。这组数字支持参数高效的判断，但不等于推理更快或显存更小，因为前向仍需运行完整的 WavLM-Large 加权后的大矩阵，训练资源与推理延迟应分开讨论，原文未测量延迟与帧率，不能承诺实时性改善。

数据、划分、基线与指标如何保证可比？

数据为 MSP-Podcast v1.12，为保证域一致，主任务与辅助 ASR 任务都在该语料上进行。为保证高质量 ASR 监督，只保留带人工转写的样本，得到训练 89752 条、验证 25232 条、测试 46366 条。基座统一为 WavLM-Large，专家包括在 MSP-Podcast 上微调的情感模型、在同域转写上微调的 ASR 模型，以及在 LibriSpeech 100 小时上微调的域外 ASR 对照。情感基线在证据中记为宏平均 F1 为 35.56%，同域 ASR 词错误率 23.09%，域外 ASR 词错误率 37.86%。

比较设计分两组。第一组验证双向量协同，包括冻结基座无合并、仅合入域内 ASR 向量、仅合 SER 向量、同时合入双向量。第二组验证粒度，包括固定全局 λ 为 0.5 的静态合并、学单个共享 λ 的自适应全局合并，以及每层独立 λ 的自适应逐层合并。另有域对照组，把域内 ASR 向量换成域外 ASR 向量其余不变。指标以 UAR 为主，辅以精确率与宏平均 F1，并报告 95% 置信区间。UAR 越高越好，词错误率越低越好。

资源状态方面，证据给出代码链接状态为可用且状态码 200，链接为匿名开放科学地址，因此可写当前可用。权重下载方面，情感专家与 LibriSpeech 微调模型的地址在脚注给出，但本次证据未提供其可达性校验，不应断言权重当前可下载。复现时应先核对代码库中的专家获取脚本与 MSP-Podcast 申请流程，缺转写的情感数据无法复现同域 ASR 向量，这是明确的信息条件。

主结果：合并是否越过联合训练，多任务为何塌陷？

要回答的核心问题是权重合并能否在保留情感能力的同时引入语言知识，而联合训练是否因冲突而塌陷。公平条件是同一基座家族与同一 MSP-Podcast 划分，指标方向为 UAR 与宏平均 F1 越高越好，词错误率越低越好。多任务基线为全量可训练并联合优化两类损失，合并方法为冻结基座只学少量系数，二者更新量不同，比较时应同时看性能与参数代价。

下图按域对照展示了逐层系数的行为，它是理解主结果机制的关键：域内组合平稳而域外组合在深层剧烈波动，说明分布兼容决定了合并是否稳定。

看图路径： 1. 先确认蓝线域内 ASR、橙线域内情感、绿线域外 ASR、红线域外情感四条线的含义；2. 再看中深层橙线高于红线所表示的韵律压制关系；3. 最后观察 20 到 24 层绿线的陡升与蓝线的平稳差异

论文图 3。原论文 Figure 3：“Impact of Domain Consistency on Task Vector Merg- ing.”。

从像素可见，横轴为层索引 1 到 24，纵轴为 λ 值，蓝色域内 ASR 线在 0.48 到 0.51 附近平稳波动，橙色域内情感线在 0.52 到 0.58 附近居高，红色域外情感线整体低于橙色而绿色域外 ASR 线在末段从约 0.48 陡升到约 0.57。解释是域内 ASR 充当稳定的语义锚，情感向量在中深层获得主导；域外 ASR 在语义块出现优化混乱式的上扬，而域内情感权重被压制。原文用此支持域一致性与逐层粒度的判断，但属于有限解释而非因果证明。

主数字上，多任务基线 UAR 仅 29% 量级，而合并方法达到 38% 量级。论文在正文中另有一处写 UAR 为 38.62% 与精确率为 34.55%，与表格中双向量 38.94% 存在表述差异，应标注为原文前后数字不一致，复述时以表格行为准并说明正文另有一组相近但不同的汇总数字。域与粒度对照如下表所示，表头单位已在原表头说明，数据格为裸值加置信区间，不逐格追加百分号。

表后解释是主要收益与代价。收益是冻结合并把 UAR 从多任务的 29% 量级拉回 38% 量级，绝对提升超过 8 个百分点，且只更新 0.46M 参数。代价与反例是静态全局合并的宏平均 F1 为 35.73% 反而高于自适应逐层的 35.20%，说明逐层在 UAR 最优但并非所有指标通吃；域外双向量仍有 38.68% 的不错 UAR，说明域失配是退化而非完全失效。未胜出项必须保留：全量多任务与静态全局在各自维度上各有短板，不能删除不利基线。

双向量是否互补，单向量与全局合并差在哪里？

本节的比较问题是语言向量与韵律向量各自带来多少增益，双向量是否大于单向量，以及逐层是否必要。公平条件是同一冻结基座、同一初始化 0.5、同一加权求和读出与预测头训练流程，指标方向仍为 UAR 越高越好。需要区分百分点与相对百分比：下文 2.04% 指 UAR 从 37.05% 到 39.09% 的百分点差，不是相对提升 2.04%。

先看单双向量的动态，它直接显示了表示拥挤如何被按层分工缓解，是消融的机制证据。

看图路径： 1. 先对照图例确认蓝线双向量 ASR、橙线双向量情感、绿线仅 ASR、红线仅情感；2. 再看横轴层索引 1 到 24 与纵轴 λ 值在 0.5 基线上下如何分层；3. 重点比较绿线单独使用时的剧烈下探与蓝线双向量时的平稳贴近 0.5

论文图 2。原论文 Figure 2：“Layer-wise Dynamics: Dual vs. Single Task Vectors. Blue line: Proposed dual-vector ASR. Orange line: Dual-vector SER. Green line: Only-ASR setup. Red line: Only-SER setup.”。

从像素可见，横轴层索引 1 到 24，纵轴 λ 值，蓝色双向量 ASR 贴近 0.5 虚线平稳，橙色双向量情感在 0.53 到 0.57 附近居高，红色仅情感略低于橙色，绿色仅 ASR 波动剧烈并在层 3 附近跌到约 0.37、在层 18 附近再跌到约 0.38。解释是单独使用 ASR 向量时模型被迫用语言映射去猜情感，导致系数剧烈抖动；加入 SER 向量后 ASR 退回稳定的语言锚，情感向量被自信放大。原文称之为 1 加 1 大于 1 的协同，但数字上双向量 38.94% 略低于单 SER 的 39.09%，因此应表述为鲁棒的语义加韵律整合，而非严格超越单专家。

域内 ASR × 域外 ASR： 域内 ASR 负责在 MSP-Podcast 情感语料的转写上微调，提供与目标分布一致的语言知识；域外 ASR 负责在 LibriSpeech 这类朗读语料上微调，提供通用的但情感无关的文本映射，搭配比较的原因是要检验分布一致性，组合意义是说明只有结构与分布都兼容的语言知识才能稳定充当语义锚。

表后解释要同时给收益与反例。收益是仅 ASR 把基线从 37.05% 提到 37.57%，证明语言上下文有基础判别力；双向量比基线高 1.89 个百分点，证明整合安全。反例是仅 SER 的 39.09% 反而高于双向量的 38.94%，相差 0.15 个百分点，论文用表示拥挤与专家上界解释，即固定容量内容纳词法映射与韵律会产生参数竞争。这不是技术错误，而是多任务融合的预期代价。未评测边界是高唤醒情感的细粒度提升在证据中只有文字提及而无分情感数字表，不能据此承诺哪一类必然改善。

哪些条件不满足时方法会打折，原文承认了什么不足？

第一个限制是信息条件。方法依赖域内转写来微调辅助 ASR 模型，对于缺乏可靠转写的低资源情感数据集，抽不出高度兼容的 ASR 向量。此时若强行用域外向量，论文显示 UAR 从 38.94% 掉到 38.68%，且深层系数出现混乱上扬，说明退化可测。复述时不要把相关性说成因果：观察到域外伴随波动与下降，支持域一致重要，但未证明波动直接导致下降。

第二个限制是计算流程。前期需分别微调两个大基座专家，带来额外开销；下游虽只学 0.46M 参数，但前向仍是 WavLM-Large 量级，训练省参不等于推理省时。原文明确的未来方向是更通用与零样本情感场景，但未给出零样本数字，因此不能把本方法描述为已验证零样本可用。

第三个限制是报告口径。贡献清单写 UAR 为 38.94% 与宏平均 F1 为 35.20%，结论段另写 UAR 为 38.62%，两者相差 0.32 个百分点，证据内无解释。严谨做法是并列标注冲突并以表格为准，复现时以验证损失选点的具体种子与轮次为准。此外静态全局合并在宏平均 F1 上更高，说明最优粒度依赖指标选择，单看 UAR 会掩盖权衡。

要复现先做什么，需要哪些文件与超参数？

先做三件事。第一，申请并整理 MSP-Podcast v1.12，只保留带人工转写的样本，按 89752、25232、46366 划分训练、验证、测试，核对 8 类标签映射。第二，准备 WavLM-Large 基座与两个专家：同域情感专家与同域 ASR 专家，域外对照用 LibriSpeech 100 小时微调版本，记录各自词错误率 23.09% 与 37.86% 以确认专家质量。第三，拉取状态可用的匿名代码库，确认任务向量相减、25 层切分、λ 初始化 0.5、α 加权求和与预测头的实现位置。

可运行的最小闭环是冻结基座加双向量逐层合并，下游用 AdamW 学习率 1.0 乘 10 的负 4 次方、批量 32、100 轮、类别平衡软交叉熵，以验证损失最低点评估并报告 UAR、精确率、宏平均 F1 及 95% 置信区间。消融时依次跑无合并、仅 ASR、仅 SER、双向量，再跑静态全局与自适应全局，最后把域内 ASR 换成域外 ASR。每次只改一处，保持种子与选点规则不变。

区分 3 类可用性：代码当前可用有 200 状态证据；模型权重下载地址在脚注但本次未校验可达；系统可运行还需 MSP-Podcast 权限与两块 V100 级别显存。缺少任一条件时应先报告缺项再谈结论，不要用基座名推定显存一定够用。

何时值得尝试，何时不值得，如何一句话记住它？

当你已有同域转写、基座 frozen 后仍欠语义上下文，且多任务联合训练出现情感指标被 ASR 拉垮时，值得尝试逐层任务向量合并。动作是先各自训好 ASR 与 SER 专家，再冻结一切只学每层两个系数与读出权重，让语言做锚、韵律做主导。当你没有同域转写、只能拿到域外 ASR，或你的首要指标是宏平均 F1 而非 UAR 时，要谨慎，因为域外会打折而逐层未必在所有指标上占优。

记住它的方法是写入与读出分离：λ 决定每层写进多少语言与韵律，α 决定最终读出更信哪一层。论文直接报告的是表格中的 UAR 与宏平均 F1 数字，有限解释的是中深层更受益于域对齐语言表示，未验证的是零样本与延迟收益。初学者复述时应先画出音频到特征到 24 层再到加权求和的路径，再说清冻结与可学的边界，最后用两张表说明协同与代价，这样即便忘记比喻，也能把方法讲清楚。

⚖️ 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