状态记忆不够用时，音频编码器如何向 Mamba-2 低头：SAM 的紧凑表征与结构化问答

英文题目：SAM: A Mamba-2 State-Space Audio-Language Model

会议身份：conference:interspeech:2026:conference-paper-id:lee26d_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：#状态空间模型 #音频大模型 #音频字幕生成 #音频分类 #音频问答

评分：6.4/10 | 创新 1.3/2 | 技术严谨 1.0/1.5 | 实验充分 1.2/1.5 | 清晰度 0.8/1 | 影响力 1.0/1.5 | 开源 0.0/1.5 | 可复现 0.1/0.5 | 工程/实践 1.0/1.5

排名：前50% | 文档类型：模型报告

👥 作者与机构

• Taehan Lee：机构信息未能从会议 PDF 纯文本可靠映射
• Jaehan Jung：机构信息未能从会议 PDF 纯文本可靠映射
• Hyukjun Lee：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

该工作处理通用音频语言建模，输入为梅尔频谱图与文本指令，输出为开放式描述、分类标签与推理选项，难点在于状态空间模型只能经固定维循环状态在线累积前缀信息而无法像注意力那样回看历史词元。方法链分三步衔接：首先高效音频变换器编码器将频谱转为512个音频词元以保留时频细节，其次两层感知机连接器将其压缩为64个词元并映射到语言空间后直接拼接到文本序列前端输入主干，最后Mamba-2主干对拼接序列做自回归建模并通过联合微调使编码器输出适配其状态容量。与依赖全局交互的Transformer音频大模型不同，该机制迫使表征向低秩高相似方向压缩而非依赖长序列记忆，紧凑富信息词元比超长词元更有效。SAM-2.7B 在 AudioSet 上取得 21.1 平均精度均值（mean Average Precision, mAP），在 AudioCaps 上取得 17.6 语义命题相似度（Semantic Propositional Image Caption Evaluation, SPICE），在 MMAU-Sound 上从 22.83 提升至 56.77，匹配或超越更大参数量 7B 基线。在MMAU-Sound基准下，引入结构化监督后SAM的准确率为56.8，从引入前条件的准确率22.8升至56.8。结论仅在 OpenAQA 四阶段课程训练与短音频描述和推理评测内成立，未验证长音频、噪声域偏移与多轮对话外推。该结论的适用边界尚未验证长音频建模与多轮对话外推，失败条件受限于噪声域偏移场景。训练成本为 2 张 RTX 4090 上 0.5 至 2 天的 bfloat16 混合精度训练，原文未披露推理延迟与吞吐。

🔗 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，要解决什么音频理解问题？

这篇论文的输入是一段声音的梅尔谱图，目标是让模型能听懂声音并用自然语言回答或描述。对于刚进入语音音频领域的研究生，可以把任务理解为两个动作：先听，再说。听的部分是把波形变成谱图，再变成一组向量；说的部分是根据这些向量和文字提示生成文字。论文要回答的核心矛盾是，Transformer 做说的工作时靠注意力同时看所有历史 token，计算量随长度平方增长，而状态空间模型只用固定大小的循环状态顺序累积信息，计算量随长度线性增长，那么这种更省的记忆方式能不能同样做好听和说的对接。

必须保留的关键信息是，论文只研究通用音频理解中的描述与分类类任务，不研究语音识别逐字转写或语音合成。评估时一类是让模型生成描述，再用对比语言音频预训练模型的文本编码器比较生成描述与类别标签的相似度来算分类准确率；另一类是直接在音频描述数据集上算语义命题评价指标。输出是 1 篇可复述的方法解读，不做超出原文的性能承诺。

学习依赖上，先要理解音频 token 的概念：编码器把一整段音频切成许多小块，每块对应一个向量，这些向量按顺序排好就是语言模型的听觉输入。然后要理解状态容量的概念：循环模型每读一个向量就更新 1 次内部状态，旧信息如果没有被写进状态就再也找不回来。带着这两个概念去看后文的连接器设计和编码器微调分析，才不会把长度越长越好误当成结论。

同输入同目标的已有路线如何比较？

在相同输入和相同目标下，已有音频语言模型大多采用 Transformer 语言主干加音频编码器的结构。原文提到的基线包括在开放问答数据上训练的监听思考理解模型、带复杂查询转换器的音频语言模型，以及同样用状态空间但属于第一代的音频语言模型。它们共同的运行阶段都是训练时拼接音频嵌入、提示嵌入与标准答案嵌入做自回归，推理时只给音频嵌入与提示嵌入让模型生成。

同监督的比较点是开放问答数据上的课程学习。原文沿用了 4 阶段课程策略，先后从封闭式问答过渡到开放式问答。不同之处在于语言主干从 Transformer 换成第二代曼巴，音频编码器选用在音频集上微调过的高效音频 Transformer。这种对照的公平性在于训练数据规模和评估协议保持一致，差异主要来自主干结构和适配方式。

同运行阶段的另一条路线是冻结编码器以节省算力和避免灾难性遗忘。视觉语言模型中有工作选择冻结视觉编码器，音频领域也有模型冻结音频编码器。论文的反证恰恰针对这一点：在状态空间主干下冻结编码器会明显掉点，说明省算力的选择在这里要付出对齐代价。理解这层对照，才能明白后文为什么花大力气分析有效秩和相似度，而不是只报准确率数字。

状态空间模型处理音频时会遇到什么具体困难？

问题可以沿着一个样本走一遍来建立直觉。假设输入是一段包含施工车辆引擎声、水花声、木头爆裂声、电子蜂鸣和人声的复杂音频。编码器先把它变成 512 个向量，每个向量带有局部时频信息。连接器把它们变成语言模型能读的嵌入。语言模型按顺序一个一个读，每读一个就更新固定维状态，最后根据提示生成一句描述。

困难在于，Transformer 在生成每个词时都可以重新注意所有音频向量，而状态空间模型只能依赖当前状态里还剩下的信息。如果早期引擎声没有被有效写入状态，后面生成时就无法回头查看。这就是原文所说的状态容量瓶颈：每个音频 token 必须在线整合，错过就无法恢复。小尺寸状态空间模型的状态更小，瓶颈更紧。

由此引出 3 个可操作的子问题：第一，编码器输出的表征是否应该主动变得更紧凑以适应小状态；第二，把 512 个 token 压缩成 64 个好，还是展开成五百多个更能发挥线性复杂度的优势；第三，只靠描述监督是否足以教会模型做判断和选择类推理。论文的全部实验都是围绕这 3 个问题组织的。

SAM 整体如何把声音变成文字？

SAM 遵循标准多模态大语言模型结构，包含 4 个部件：音频编码器、文本编码器、连接器和曼巴二代语言模型。训练时把音频嵌入、提示嵌入和标准答案嵌入拼成一个长序列做自回归下一个词预测，损失是标准的交叉熵；推理时只拼接音频嵌入和提示嵌入，让模型逐词生成。文本编码器在图中标记为冻结，音频编码器标记为可训练，语言模型侧只在输入投影和输出投影上加低秩适配器进行参数高效调整。

导读下面这张总体结构图时，重点不是背模块名字，而是看清数据流向和可训练状态。请先沿左侧音频输入向上看编码器如何产出 512 个 token，再看中间 3 种重排如何进入多层感知机与分隔符模块，最后看右侧语言模型块内部的残差与归一化如何组织输出。

看图路径： 1. 先从左下音频编码器沿箭头看到 512 个音频 token 进入连接器，再看三种重排分支如何汇入中间序列；2. 再看右侧 Mamba-2 块内输入投影、低秩适配、卷积与状态空间模块的上下连接关系；3. 对照图例中雪花代表冻结、火焰代表可训练，确认文本编码器冻结而音频编码器参与训练；4. 最后沿底部大语言模型输入看到音频嵌入、提示嵌入与描述嵌入的拼接顺序

论文图 1。原论文 Figure 1：“Overall architecture of our SSM-based Audio-language Model (SAM).”。

这张图显示左侧音频编码器输出的音频 token 先经过 3 种候选的连接器路径，中间经过多层感知机映射与分隔符添加，形成紫色块表示的音频嵌入序列，黄色与橙色块分别表示提示嵌入与描述嵌入，三者拼接后送入右侧堆叠的曼巴二代块。右侧块内可以看到底部输入投影带低秩适配，向上经过卷积、状态空间核心、加法与乘法门控、归一化与输出投影带低秩适配，最终向右输出文字。图例用雪花表示冻结、用火焰表示可训练，明确区分了文本编码器冻结、音频编码器与连接器及适配器可训练的安排。理解这张图后，后文所有关于长度与排序的讨论都有了落点。

编码器、连接器与曼巴块各自做什么？

音频编码器选用高效音频 Transformer 基础版，参数量 88M，在音频集上微调过。原文给出选择理由有 3 层：分类性能强且在先前音频语言模型中有效；在音频集上的准确率与先前状态空间基线所用编码器接近，便于比较；输出形状适合做长短 token 的消融。编码器由卷积切块嵌入层加 12 层视觉 Transformer 块组成，对每段音频输出 512 个 768 维向量。选择该编码器不是因为它最大，而是因为它提供了可控的对照起点。

连接器采用两层多层感知机，这是与更复杂的查询转换器对照后选择的简洁方案。3 种设计分别是拼接、时间主导与频率主导。拼接是把 512 个初始 token 看成 64 乘 8 的时频网格，沿频率轴拼接成 64 个 6144 维 token 再投影，最终长度为 64。时间主导是沿时间轴重排以保持状态更新中的时间连续性，频率主导是沿频率轴重排以保持谱局部性，后两者为了缓解位置感知不足还插入分隔符嵌入来标记时间步或频带边界，最终长度分别为 576 和 520。

曼巴二代块是语言主干的基本单元。第一代曼巴对每个通道用对角状态矩阵并引入输入依赖的步长与投影参数，用并行选择性扫描实现高效计算；第二代把通道分组共享同一个状态空间，并改写成矩阵乘法加块分解的形式，报告训练更快，同时把每头状态矩阵简化为标量乘单位矩阵并增大状态尺寸以提升建模能力。论文使用在文本堆数据集上预训练过的 130M、780M 与 2.7B 3 种尺寸作为主干。

音频编码器 × Mamba-2： 音频编码器负责把梅尔谱图变成 512 个 768 维的音频 token，承担声学特征提取的分工；Mamba-2 负责按顺序读入这些 token 并用固定维循环状态做自回归生成，承担语言建模的分工；二者搭配的原因是状态空间模型不能像注意力那样回看历史，只能在线压缩，组合意义是编码器必须学会输出更低秩、更相似的表征来适配小状态的整合能力。

多模态连接器 × 状态更新： 多模态连接器负责把 2 维时频 token 重排并映射到语言模型维度，承担长度与维度对齐的分工；状态更新负责按 token 顺序递推隐状态，承担信息累积分工；搭配原因是 token 排序直接决定相邻更新要跨越多少时频距离，组合意义是拼接压缩与时序主导等不同重排会改变状态负担，从而影响表征利用效率。

把三者串起来看，一个样本的旅程是梅尔谱图进入音频编码器得到音频 token 矩阵，经连接器重排投影加分隔符得到音频嵌入，与提示嵌入拼接后进入曼巴块逐 token 更新状态并预测下一个词。这种顺序处理特性正是后文讨论排序与长度的物理基础。

训练数据、优化对象与参数更新如何安排？

训练数据主体是开放音频问答数据集，包含 190 万封闭式问答对和 370 万开放式问答对，遵循 4 阶段课程学习策略。语言主干侧采用低秩适配，只作用于每个曼巴二代块的输入投影和输出投影，缩放系数设为秩的 2 倍。音频编码器侧参与端到端联合训练，连接器中的多层感知机同样可训练，文本编码器冻结。为了加速，编码器中的自注意力层使用闪速注意力第二版。按模型尺寸不同，在两块 4090 显卡上用半精度训练约半天到 2 天。

监督来源是标准答案描述的嵌入，优化目标是对这些位置的自回归交叉熵。推理时不提供标准答案，只给音频嵌入与提示嵌入并用贪心解码生成。原文明确报告了冻结与更新的划分，但没有给出优化器类型、学习率、批量大小与每阶段重置细节，这些属于未报告项，复现时需要按原文引用课程学习的原始配置去补齐，不能从模型名字推定。

为了增强推理能力，论文还构造了开放推理问答数据。它基于已有推理问答资源，把描述式开放问题替换为来自音频描述与文本数据集的结构化二元与多项选择推理问题，并重复 5 次以保持可比训练规模，最终得到 3,800,000 对。这个构造不是简单混合更多描述，而是改变监督格式，让模型显式学习判断与选择。

低秩适配 × 音频编码器联合微调： 低秩适配负责只在 Mamba-2 每个块的输入投影和输出投影上加小参数增量，承担高效调整语言主干的分工；音频编码器联合微调负责端到端更新声学表征，承担对齐声学分布的分工；搭配原因是只调语言侧不足以解决状态瓶颈，组合意义是两侧同时调整才能让编码器输出向当前尺寸的状态容量收缩。

二元问题 × 多项选择问题： 二元问题负责给出是或否的结构化判断监督，承担明确推理格式的分工；多项选择问题负责在多个候选中做辨别，承担复杂指令跟随的分工；搭配原因是开放式描述训练不直接教模型做选择，组合意义是把描述式问答替换为结构化问答后，Mamba-2 在 MMAU 推理基准上的准确率得到大幅提升。

需要提醒初学者，低秩适配的秩从 8 提高到 256 时性能普遍提升，且小模型提升更大，但这不意味着秩越大越好，因为原文没有报告更大秩或全参数微调的代价与遗忘风险，这部分是未验证边界。

在什么数据与指标上测量，条件是否一致？

评估沿用监听思考理解协议，分两类。分类类是零样本准确率，覆盖环境声、声事件检测、人声、声场景、京剧打击乐、视频声音与大规模声音事件等多个数据集，做法是生成描述后用对比语言音频预训练文本编码器分别编码生成描述与真实标签，再算余弦相似度决定类别。描述类是在音频描述与文本数据集上算语义命题评价指标，用贪心解码生成。指标方向都是越高越好，但分类准确率与描述指标不可互相换算，数值相同也不代表同一能力。

比较的公平条件是所有自有模型都在同一开放问答数据与课程下训练，基线是同样在该数据上训练过的先前音频语言模型。模型尺寸、连接器类型与低秩秩数在表中明确分区，消融部分分别固定其他条件只改编码器是否参与训练、连接器长度与排序、是否加入推理监督。这种分区使得主结果与消融可以分开解读，不把不同阶段的数字混在一起。

硬件与成本条件按原文交代：训练用两块 4090，半精度，0.5 到 2 天；曼巴二代即使把秩提高到 256，训练时间仍比第一代曼巴秩为 8 时少约 20%，这得益于矩阵乘法计算核。原文没有报告推理延迟、显存峰值与输出帧率，因此不能把训练更快直接推广为推理更快或部署更便宜，这是需要区分的量。

主结果显示什么收益，代价是什么？

要回答的核心比较问题是：在相同训练数据下，更小的状态空间模型能否达到或超过更大的 Transformer 模型，以及音频编码器的选择是否提供了公平起点。指标方向是音频集平均精度与音频描述语义命题分数越高越好。公平条件是基线同样在开放问答上训练，编码器性能接近。

flagship 模型在音频集上报告 21.1 平均精度、在音频描述上报告 17.6 语义命题分数，达到或超过更大 7B 变换器模型，且参数更少。这一趋势在多个尺寸与超参数下成立，支持曼巴二代可作为音频语言模型主干的判断。更小的 130M 与 780M 模型在描述任务上也对大基线有竞争力，而把低秩秩数从 8 提高到 256 带来一致提升，小模型获益更大。代价是秩提高意味着可训练参数与优化负担增加，且原文没有给出秩继续增大时的饱和点。未胜出项也要看到：在某些声场景与音乐语音推理子集上，小尺寸纯描述训练的模型明显弱于基线，说明主结果的胜利是有边界的，不是全任务通吃。

编码器微调与 token 长度的反证说明什么机制？

第一个消融要回答：冻结音频编码器是否可行，联合微调带来了什么可观测的变化。比较问题是固定连接器为拼接、固定秩为 256，只改编码器是否参与训练。指标仍是分类准确率与描述分数，方向越高越好。结果是联合训练一致更好，冻结时掉点明显。机制解释是编码器输出的有效秩下降、token 间相似度上升，且越小的模型收缩越明显，说明编码器在向当前状态容量做适配，而不是单纯提升通用声学特征。

导读下面这张有效秩随阶段变化图时，先看横轴 4 阶段与纵轴有效秩，再看 3 条线的相对位置与下降形态，不要把纵轴下降误读为性能下降，它度量的是表征复杂度变化。

看图路径： 1. 先确认横轴为训练第一到第四阶段、纵轴为音频 token 的有效秩；2. 再比较红色 130M、绿色 780M、蓝色 2.7B 三条折线在各阶段的高低顺序；3. 观察从第一阶段到第二阶段三条线共同大幅下降、之后缓慢下降的趋势

论文图 2。原论文 Figure 2：“τ-effective rank across training stages by model size.”。

这张图显示 3 条线都从第一阶段约 68 附近出发，到第二阶段大幅分化，其中 130M 红色线降到约 55 附近最低，780M 绿色与 2.7B 蓝色分别保持在约 60 与 61 附近，之后到第三、4 阶段缓慢下降并保持小模型最低、大模型最高的顺序。这种尺寸相关的分层支持了小状态需要更紧凑表征的解释。为了进一步验证，论文把在不同尺寸下收敛的编码器冻结后转给 130M 重新训练，结果是尺寸匹配的编码器最好，错配则下降，说明学到的表征不是通用最优，而是与特定状态容量对齐的。

有效秩 × 余弦相似度： 有效秩负责用奇异值累计能量达到 95% 所需的成分数来度量嵌入空间利用程度，承担多样性度量的分工；余弦相似度负责度量 token 之间方向的一致性，承担冗余度量的分工；搭配原因是两者从不同角度刻画同一组音频 token，组合意义是联合观察到小模型对应更低有效秩和更高相似度，才能支持编码器向状态容量适配的解释。

第二个消融要回答：利用线性复杂度喂更长未压缩 token 是否更好。比较问题是固定其他条件，对比 64 长度的拼接压缩与 520 和 576 长度的时间主导、频率主导。公平条件是后两者保持或扩大嵌入维度，只改变长度与排序。结果是长 token 没有一致超过短 token，尽管维度未压缩，但更长的序列给状态带来更大负担。导读下面这张状态更新距离示意图时，重点看目标 token 与邻居的偏移标注。

看图路径： 1. 先对照三列标题确认左为拼接、中为时间主导、右为频率主导三种排序；2. 再看中间菱形目标 token 与周围标注的相对偏移数值，理解相邻状态更新要跨越的距离；3. 比较拼接方式下偏移多为正负 1，而时间与频率主导下出现正负 8、正负 64 等更大跳变

论文图 3。原论文 Figure 3：“State update distance between adjacent audio tokens.”。

这张图用三列分别展示拼接、时间主导与频率主导下，中心目标与其邻居在原始网格中的相对距离。拼接列的偏移多为正负 1 与 0，时间主导列出现正负 8 到正负 10，频率主导列出现正负 64 到正负 66，说明后两种排序下相邻状态更新需要跨越更远的时频距离，信息要在更多步更新中保持。此外，带长 token 的模型有效秩更低，尤其小模型更明显，表明表征容量利用反而变差。结论是状态空间模型更受益于紧凑而信息丰富的 token，而不是单纯依赖线性扩展去堆长度。

该表整理连接器长度的来源，说明长序列的代价不是维度压缩与否，而是更新步数与跨距的增加。未评测边界是原文没有尝试自适应压缩或混合注意力结构，这些属于待验证方向。

结构化问答监督如何改变推理能力？

第 3 个消融要回答：只靠描述监督的模型能否做好判断与选择类推理，加入结构化监督后变化多大。测的是大规模多任务音频理解与推理基准的声音、音乐、语音 3 个分支，指标是准确率越高越好，对照包括大语言基线与纯描述训练的自有模型。条件一致性在于推理监督数据规模通过重复保持在 3,800,000 对可比量级，改变的是问题格式而非单纯数据量。

加入推理监督后，声音分支准确率（%）从 22.8 提升到 56.8，提高约 34 个点，且 2.7B 模型在声音基准上超过 4,000,000,000 参数的变换器基线。提升在 130M 到 2.7B 全尺寸成立，说明数据构成对推理任务的重要性。代价与限制是这种提升依赖显式二元与多选格式，原文没有报告去掉其中一种格式会怎样，也没有测量误判率与幻觉变化，因此不能把选择题准确率直接等同于开放描述质量的提升。复现时应保留问题格式与重复次数的细节，否则容易把收益误归因于数据量。

哪些结论有边界，哪些量没有测量？

论文直接报告的是在给定数据与评估协议下的准确率与分数，有限解释是关于状态容量与表征适配的机制，未验证推测是把趋势推广到混合结构或更长音频时的表现。原文明确说未来计划探索混合状态空间与变换器结构，这意味着当前结论不覆盖混合结构一定更好，只是一个待验证方向。

未测量项需要逐一指出：没有报告推理延迟、显存占用、输出帧率与实际部署成本，因此不能承诺线性复杂度等于实际更快更便宜；没有报告统计显著性与多次随机种子的方差，因此不能把小数点后 1 位的差异都当成稳定胜负；没有报告编码器微调时的灾难性遗忘测试，因此不能断言联合微调在所有场景下都无副作用。

适用边界还包括任务类型。主结果集中在描述与分类及声音推理，音乐与语音分支的绝对分数仍低于大基线，小模型在某些声场景上也有波动。这提示值得尝试的条件是：当部署预算有限且任务以描述与声音事件理解为主时，紧凑 token 加联合微调的状态空间路线值得优先复现；当任务重度依赖长时推理或开放多轮对话时，还需补充验证长序列与混合结构的表现。

要复现先做什么，需要哪些具体条件？

复现的第一步是准备数据与评估链。训练用开放音频问答的 190 万封闭与 370 万开放问答对，按 4 阶段课程组织；推理增强用 3,800,000 对的结构化数据，做法是把描述式问题替换为二元与多选并重复 5 次。评估分类时不要直接比字符串，而要按原文用对比语言音频预训练文本编码器对生成描述与标签算余弦相似度；描述时用语义命题分数并用贪心解码，避免采样随机性干扰对照。

第二步是搭建模型。音频编码器用在音频集上微调过的高效音频 Transformer 基础版，输出 512 个 768 维 token；连接器用两层多层感知机，先实现 64 长度的拼接基线，再实现 576 与 520 长度的时间与频率主导并加入分隔符嵌入；语言主干用对应尺寸的曼巴二代，在输入与输出投影上加低秩适配且缩放为秩 2 倍。训练时冻结文本编码器，联合更新音频编码器、连接器与适配器，目标是对标准答案位置的交叉熵。加速时可对编码器自注意力启用闪速注意力第二版，用半精度在 2 卡上训练。

第三步是核对资源状态。本次收到的资源状态显示没有完成超链接可达验证的开源绑定，因此不得声称代码、模型或数据当前可用或已公开。复现前必须自行确认数据集许可与模型权重来源，保留超参数与随机种子记录，并先跑通小尺寸拼接基线再扩展到长 token 与推理监督，避免 1 次改动多个变量导致无法归因。

何时值得尝试这条路线，带走什么设计原则？

综合全部证据，可以带走 3 条可操作的设计原则。第一，联合微调音频编码器是必需项，不是可选项。操作是让编码器参与端到端训练，并用有效秩与相似度监控它是否向当前尺寸收缩；小模型应预期更明显的收缩，大模型保留更多多样性。若冻结编码器后性能明显低于联合训练，就支持状态容量解释而非通用特征不足。

第二，优先保证 token 紧凑而信息丰富，而不是堆长度。操作是先用 64 长度的拼接压缩建立基线，再在相同维度条件下对比更长的排序方案，并结合状态更新跨距分析负担。若长 token 没有一致增益且有效秩反而降低，就应回到紧凑方案，而不是继续加长。

第三，用结构化二元与多选监督补齐推理能力。操作是在保持可比规模下改变问题格式，重点看声音分支从低位到高位的跃升是否复现，同时检查描述分数是否保持。若推理提升伴随描述下降，就需要在数据配比上重新权衡，而不是默认两者兼得。这 3 条原则共同回答了何时值得尝试：在参数与训练预算有限、任务以声音理解与描述为主时，这条路线提供了可复现的起点；在需要更强音乐语音推理或更长上下文时，还需补做混合结构与成本测量的验证。

⚖️ 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