把对齐留在编码器、把语言建模交给大模型：LLM-as-Joiner 的标签同步解耦

英文题目：LLM-as-Joiner: Decoupling Alignment from Language Modeling in Label-synchronous ASR

会议身份：conference:interspeech:2026:conference-paper-id:lee26u_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：#LoRA #多模态学习 #大语言模型 #多语言 #语音识别

评分：6.7/10 | 创新 1.4/2 | 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：方法研究

👥 作者与机构

• Jaeyoung Lee：机构信息未能从会议 PDF 纯文本可靠映射
• Masato Mimura：机构信息未能从会议 PDF 纯文本可靠映射
• Ryo Magoshi：机构信息未能从会议 PDF 纯文本可靠映射
• Tatsuya Kawahara：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

自动语音识别（Automatic Speech Recognition, ASR）需将长声学帧序列转写为短文本，单调对齐与语言建模耦合在长语音前缀上会推高大语言模型（Large Language Model, LLM）上下文与学习负担，尤其在需处理声学与文本叠加长上下文时优化难度俱增。该工作先用对齐器编码器（Aligner-Encoder）把声学证据压缩为与输出等长的标注同步状态，再在LLM切分层经线性投影与门控残差注入语音并由上层完成预测，同时联合训练轻量识别头复用同一编码器以传递语言知识。相对语音做前缀的解码器方案，其机制差异在于对齐完全留在编码器自注意力中实现并避免格计算与空白符建模，LLM仅在标注位置上做融合与语言建模，从而缩短上下文并冻结复用词表与输出头。在LibriSpeech测试集上LLM头相对同规模解码器基线将词错率降至3.2%与5.6%，同时实时率从0.90降至0.65。该结论限于从零训练的Conformer-L编码器对照，未验证大规模预训练语音编码器或流式与长尾场景的外推性。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，要输出什么，哪些信息必须保留？

本文研究的输入是一段语音的声学特征序列，论文记为 X 等于 x1 到 xT，T 是帧数，实验中使用 80 维对数梅尔滤波器组特征。要输出的是这段语音对应的文字转写，记为 y 等于 y1 到 yU，U 是标签数且最后一个是句尾符。必须保留的信息有两个，一是时间上的单调对应关系，即语音从前往后说，文字也从前往后出，不会出现后面的声音对应前面的词；二是语言上的合理性，即输出的词序列要符合目标语言的搭配习惯。

对刚入门的研究生来说，可以把任务想象成听写：先要听清每一小段声音对应哪个字，这是对齐问题；再要把听到的字连成通顺句子，这是语言建模问题。传统做法把两件事混在一个大模型里一起学，本文主张分开。输出形式是自回归的词错误率评价的转写文本，解码时从左到右逐个生成，直到输出句尾符或达到预设最大长度。论文没有公开代码、模型或数据链接，本次收到的资源状态也没有绑定可验证的下载地址，因此后文所有复现讨论只依据正文报告的模型尺寸、训练轮数与解码配置，不声称任何外部权重当前可用。

学习依赖上，后续所有组件都建立在这个输入输出定义上：编码器负责把 T 帧变为 U 个状态，大模型负责在 U 个位置上预测下一个标签，训练损失是标签位置上的负对数似然，评价是测试集上的词错误率。先记住 T 远大于 U 这个长度关系，它是后文计算量对比的关键。

已有的大模型语音识别把对齐放在哪里？

在引入大模型之前，端到端语音识别主要有两条路线。一是循环神经网络 transducer，二是基于注意力的序列到序列模型，如收听注意拼写与语音 Transformer。它们的进步很大程度上来自更强的语音编码器，例如同时建模局部与长程结构的 Conformer，以及大规模自监督预训练表示。序列到序列路线在 Whisper 式系统后更受关注，因为其解码器结构接近语言模型 Transformer，便于与大模型结合。

大模型时代最常见的是解码器独占式语音前缀集成。做法是语音编码器输出一串声学嵌入，把它拼在文本流前面，大模型一边 attend 长语音前缀一边自回归预测文字。论文指出这类方法的困难在于预训练大模型本身没有学过语音文本时间对齐，微调时必须从零学习对齐，常需额外手段如压缩器、边界符或强制对齐。而且语音前缀会显著拉长大模型上下文，主导显存开销。

另一条相关工作是 transducer 风格的模块化分解，例如混合自回归 transducer 与因子化 transducer 把空白符预测与词表预测分开，或把大模型接入流式 transducer。这些工作仍保留格子计算与空白符。本文选择对齐器编码器路线，避免格子与空白符，直接在固定标签位置做监督。

下面这张图展示了常规解码器独占集成的形态，是理解本文动机的对照基准，请先看语音与文本在模型中的长度关系。

看图路径： 1. 先看底部编码器输出的蓝色方块序列与顶部红色解码器独占大模型的长度关系；2. 再看右侧黄色文本方块如何一边回看蓝色语音前缀一边自回归生成；3. 对比本文方法，体会此处大模型上下文为语音加文本总长

论文图 1。原论文 Figure 1：“Conventional Decoder-only LLM integration to ASR.”。

这张图的上方是红色长条表示的解码器独占大模型，下方灰色长条是编码器。蓝色方块是 T 个语音帧，黄色方块是 U 个文本标签。可以看到大模型同时看到全部蓝色前缀与已生成的黄色历史，虚线箭头表示自回归回看。这种结构意味着大模型每一步都要在 T 加 U 的长度上做注意力，既要找当前词对应哪段声音，又要判断下一个词是什么。本文后文的改进正是把找位置的工作移出大模型，只让大模型在 U 个已对齐位置上工作。

为什么让大模型同时学对齐可能是低效的？

论文提出的核心矛盾是分工错位。语音文本对齐是单调的，传统上由语音编码器处理得很好，例如对齐器编码器通过自注意力就能把相关声学证据集中到对应标签位置。相反，大模型的优势是文本建模，而不是在长声学上下文上推断时间边界。如果要求完整大模型在 T 加 U 的上下文上同时学对齐与语言建模，一方面学习负担重，另一方面推理时显存与计算都随 T 增大。

举一个教学例子帮助理解，不代表论文的实测数值：假设一段语音有 1000 帧，转写只有 20 个标签，语音前缀做法让大模型每步看 1020 个位置，而标签同步做法只让大模型看 20 个位置。例子只是说明长度差异的方向，真实的帧数与标签数随语速与分词而变。论文要解决的问题可以表述为，能否把单调对齐完全留在编码器，让大模型原样复用分词器、嵌入与输出头，只在 U 个对齐位置上做连接器侧的语言建模与模态融合，并且只适配上层参数。

这个问题直接决定了后文的方法选择：需要一个能输出 U 长度接口的编码器，需要一种在切分层注入语音而不改动词表的方法，需要验证短上下文是否真的省计算且不掉精度。

整体如何把 T 帧变为 U 个位置再交给大模型？

整体流程可以沿一个样本走一遍。输入 T 帧声学特征进入 Conformer 对齐器编码器，得到 T 个隐状态 H。训练时已知转写长度 U，取前 U 个状态作为标签同步语音接口 S，每个 s_u 对应第 u 个标签的声学证据，超出 U 的尾部状态被丢弃。文本历史经词嵌入与大模型下层块得到文本状态 G，每个 g_u 对应前文 y 小于 u 的表示。在切分层把 S 与 G 按位置门控相加得到 F，再经大模型上层块与原生语言模型头得到 logits o_u，经 softmax 得到条件概率。训练用教师强制，推理时用已生成的前文逐步生成。

单调对齐 × 语言建模： 单调对齐指把按时间推进的语音帧按先后顺序对应到按顺序输出的文本标签，不跳跃不回头，由对齐器编码器通过自注意力在编码器内部完成；语言建模指根据已生成的前文预测下一个标签的概率，由预训练大模型提供。两者搭配的理由是语音文本对应本身是单调的，不需要大模型在长语音前缀上重新学习，而大模型的文本先验正好弥补声学编码器的语言能力，组合后编码器输出 U 个已对齐状态，大模型只在 U 个位置上做融合与预测。

这种设计的计算目标仍是自回归的对齐器编码器目标，即在标签位置 1 到 U 上的交叉熵，但预测器与连接器的计算由同一个预训练大模型的下层与上层分别承担。论文强调三点贡献：提出解耦架构，大模型只跑 U 个位置；给出实用集成配方，原样复用大模型且只调连接器侧低秩适配；在一组受控实验中验证词错误率改进与向编码器的隐式知识迁移。受控的含义是除 Whisper-small 外所有系统用同一个从零训练的 Conformer-L 编码器，不使用外部预训练语音编码器，因此结果不与使用大预训练语音编码器的工作直接可比。

下图是对齐器编码器的结构抽象，是理解 U 长度接口的关键，请注意被丢弃部分与保留部分的划分。

看图路径： 1. 先沿底部 T 个蓝色语音帧到顶部 U 个黄色文本标签的主路径看状态数量变化；2. 再看右侧标注为丢弃的尾部编码器状态，确认只有前 U 个被使用；3. 观察预测器输出 g_u 与声学状态 s_u 在加号处按位置一对一汇合

论文图 2。原论文 Figure 2：“Aligner-Encoder structure.”。

这张图底部是灰色对齐器编码器，下方蓝色方块是输入 T 帧，上方蓝色方块是输出 T 个隐状态，其中前 U 个标为 s_u 并用实线箭头送往上方的加号，尾部标为丢弃。中间黄色块是预测器输出 g_u，顶部黄色块是连接器输出 o_u，黄色方块是 U 个文本标签，虚线表示自回归依赖。图例明确区分黄色为文本标签数 U，蓝色为语音帧数 T。可见对齐不是靠解码器对 T 帧做交叉注意力实现的，而是靠编码器自注意力把证据集中到前 U 个位置，再由连接器按位置 1 对一融合。

预测器、连接器与门控融合具体怎么算？

在对齐器编码器之上，论文采用预测器连接器分解。给定声学接口与历史文本，预测器输出 g_u，连接器输出 o_u，再经 softmax 得到 p。训练损失是 U 个位置负对数似然之和，解码需要 U 次连接器评估，复杂度为 U 量级而非 T 加 U 量级。轻量头也遵循同样分解，只是预测器换成一层长短期记忆网络，连接器换成小前馈网络，词表取大模型分词器在训练转写上实际产生的子集，以保证训练与测试分词一致。

大模型作为连接器的实例化方式是把 28 层的大模型在层 l 处切开。下层块加嵌入层作预测器，上层块加语言模型头作连接器。语音在切分处注入。论文把切分层作为超参数，默认第 7 层，也尝试第 0 层与第 14 层。第 0 层表示直接与词嵌入相加，没有下层大模型块。选择早到中层注入的动机来自先前分析，认为模态融合出现在解码器上层，需要给语音留出足够多的大模型层来融合。

门控融合的计算分两步。先把每位置语音状态经带偏置的线性投影到大模型隐维度得到投影态，再把该投影态经均方根归一化后乘以门控与可训练标量，加到文本隐状态上。门控的输入有 3 种变体：只看语音、只看文本、看两者拼接后经线性再经 Sigmoid。得到融合态 F 后替换切分处的隐状态，送入上层块。所有预训练权重复用且冻结，只训练切分点之上的低秩适配、融合参数与语音编码器。

对齐器编码器 × 标签同步状态： 对齐器编码器是把 T 帧声学输入映射为隐状态序列并只在前 U 个位置施加逐标签交叉熵监督的 Conformer 编码器；标签同步状态指取出的前 U 个编码器状态，每个位置对应第 u 个输出标签的声学证据。分工是编码器负责把分散在多帧中的证据集中到对应标签位置，标签同步状态则作为下游统一接口，搭配意义在于下游预测器与连接器不再需要对 T 帧做交叉注意力，解码步数降为 U 次连接器计算。

下图是本文方法的总览与门控细节，左半是双头结构，右半是门控公式的可视化，请结合冻结与训练标注来理解梯度去向。

看图路径： 1. 先看左图从对齐器编码器经门控融合到大模型预测器与连接器的纵向三段结构；2. 再看中部预训练大模型被切分为冻结下层与低秩适配上层的标注；3. 最后看右图语音经线性与均方根归一化、文本经拼接选门后相加的门控细节

论文图 3。原论文 Figure 3：“LLM-as-Joiner. We keep the autoregressive Aligner-Encoder objective (cross-entropy on label positions 1, .”。

左图从下往上依次是对齐器编码器、门控融合、大模型预测器与大模型连接器，右侧标注对齐器编码器为全量训练，下层大模型为冻结，上层为低秩适配。中间红色块表示预训练大模型被切为上下两块。右图显示语音输入经线性到均方根归一化一路，另一路与文本输入拼接后经线性加 Sigmoid 得到门控，两路相乘再乘标量后与文本主路相加输出。可以看到语音只在中间层注入 1 次，大模型输入输出嵌入与分词器均未改动，也没有引入空白符。

两种门控与切分位置的取舍是什么？

论文在 LibriSpeech 上对比了切分层与门控输入。切分层的结论是第 0 层与第 7 层精度相近，表明在早到中段范围内对注入深度不敏感，但第 14 层明显退化，说明过晚注入会留给语音融合的大模型层太少。门控的结论是对大模型头相对不敏感，纯文本门控在干净集上与拼接门控持平，在另一测试集上略差；但对轻量头而言，带语音条件的门控更好，表明门控是否看到声学信息会影响经共享编码器传递给轻量头的信息质量。

预测器 × 连接器： 预测器指根据已输出历史 y 小于 u 生成文本状态 g_u 的模块，在本文中由大模型的下层块与词嵌入层承担；连接器指把声学状态 s_u 与文本状态 g_u 融合为 logits o_u 并经 softmax 得到 p 的模块，由大模型的上层块加原生语言模型头承担。搭配理由是沿用 transducer 式的分解但去掉空白符与格子计算，组合后下层保持文本建模能力，上层专门学习声文本模态融合，语音只在切分层注入 1 次。

从实现角度看，第 0 层注入意味着下层没有大模型文本建模，融合态直接由词嵌入加语音构成，仍靠上层完成全部融合与预测；第 7 层注入则保留 7 层文本建模再融合。论文默认第 7 层，兼顾文本表示深度与融合深度。门控只看文本时相当于由语言状态决定每位置放多少声音进来，只看语音时由声学状态决定，两者拼接则同时考虑。训练时这些门控参数与上层低秩适配一起更新，梯度经大模型上层回传到编码器，这是后文隐式迁移的路径基础。

联合训练优化什么，哪些参数更新？

训练目标是 3 个损失的加权和。大模型头的自回归负对数似然权重为 1.0，轻量头的同形式损失权重为 0.5，中间层间连接时序分类损失权重为 0.1，施加在编码器第 12 层输出上。共享的 Conformer 编码器同时受三者监督，轻量头的预测器与连接器全量训练，融合投影与门控全量训练，大模型上层只训练注意力模块上的低秩适配，下层与全部原始权重复用且冻结。论文未报告优化器类型之外的动量细节与梯度裁剪阈值，这部分缺项在复现时需按 Transformer 学习率计划自行补齐，但不得视为论文已验证的配置。

切分层门控融合 × 低秩适配： 切分层门控融合指在选定的大模型层 l 处把投影后的语音状态与文本隐状态按位置相加的残差注入，门控幅度由可训练标量与 Sigmoid 控制；低秩适配指冻结大模型全部预训练权重、只在注入点之上的注意力模块加训秩为 16 的旁路。分工是门控融合负责控制每位置注入多少声学信息，低秩适配负责让上层适应带语音条件的分布，搭配意义是复用原分词器、嵌入与输出头而不新增词表，同时把可训练大模型参数限制在连接器侧。

具体训练流程是单模型双头：同一编码器接大模型头与轻量头，LibriSpeech 训练 100 轮，多语言集训练 30 轮，有效批量为每次更新 70 分钟音频，峰值学习率为千分之一，经 20,000 步预热后衰减。解码用波束宽度为 6 的波束搜索，不用外部语言模型、重打分或测试时自适应。除非特别说明，结果取验证集上最优检查点的参数平均。大模型基线中的解码器独占基线采用 2 阶段训练，先单独用连接时序分类目标训练编码器 50 轮，再冻结编码器训练语音适配器与大模型低秩适配 10 轮，适配器先做帧堆叠，堆叠数为 5，再经线性、激活与 2 次线性映射到大模型嵌入维度。

在哪些数据与基线上测，条件是否对齐？

评价使用 LibriSpeech 与 Common Voice 16.1 中的五语言子集，覆盖德语、英语、西班牙语、法语与意大利语。多语言模型在五语言并集上训练 1 次，分语言报告测试集词错误率，LibriSpeech 报告干净测试集与其他测试集。所有基于对齐器的方法用同一个 Conformer-L 语音编码器，17 层、8 头、隐维度 2048，从零在目标数据集上训练，不用外部预训练语音编码器。大模型统一用 Llama-3.2-3B 基础版，低秩适配秩为 16。轻量头词表按数据集分别为 4359 与 6351，取自大模型分词器在训练转写上的子集。

基线包括 3 个可运行策略。一是从零训练的对齐器轻量基线，与本文轻量头同结构同词表但不经过大模型路径训练，用于隔离大模型路径带来的增益。二是语音前缀的解码器独占大模型基线，用同样从零编码器与同样预训练大模型，用于隔离架构差异。三是完整微调的 Whisper-small 多语言模型，在每个数据集上微调 10 轮并取最优 5 个检查点平均，用于对照外部强基线。实时率在单张 RTX 6000 Ada 上测量。需要提醒的是 Whisper-small 用了外部预训练，而本文编码器从零训练，因此参数量与预训练条件的公平性需分开看，论文也明确结果不与使用外部预训练语音编码器的工作直接可比。

主结果在什么条件下成立，代价是什么？

比较的问题是，在同编码器同大模型且无外部预训练语音编码器的受控条件下，标签同步短上下文是否比语音前缀长上下文识别更准且更快。公平条件是编码器结构、预训练大模型、低秩适配秩与解码波束一致，指标是词错误率越低越好，实时率越低越好。下表整理了论文正文连续原句中直接报告的关键数字，保留原文写法与单位关系，裸值保留裸值写法。

表后解释需要同时看到收益与代价。大模型头在 LibriSpeech 上从 3.7/7.1 降到 3.2/5.6，论文报告在 1% 水平显著，且大模型实时率从 0.90 降到 0.65，支持短上下文省计算的判断，原因是大模型只跑 U 个位置而非 T 加 U。但轻量头在 LibriSpeech 上的增益从 3.9/6.5 到 3.8/6.4 并不显著，真正的显著增益出现在多语言集，例如德语与意大利语的大幅下降，支持隐式迁移在多语言场景更明显的解释。轻量头以 118M 对 241M 约一半参数与 0.02 对 0.18 实时率优于微调 Whisper-small 的德语与意大利语，但英语例外，论文明确除英语外优于 Whisper-small，这是一个未胜出项，不能推广为全语言胜出。解码器独占基线在多语言集上未收敛，也说明长上下文训练在该配置下存在稳定性边界。

大模型头 × 轻量头： 大模型头指以切分后大模型上层为连接器的识别路径，推理时需要运行 3,300,000,000 参数规模的大模型；轻量头指挂在同一编码器上的非大模型路径，用一层长短期记忆网络做预测器加小前馈网络做连接器，推理时可丢掉大模型。分工是大模型头提供最强语言先验与融合能力，轻量头提供可部署的低时延解码，搭配训练的意义是共享编码器在双损失下同时优化，论文观察到轻量头在多语言集上获得提升，支持存在从大模型路径向共享编码器的隐式语言知识迁移。

切分层与门控的反证说明了什么边界？

要回答的第二个问题是，语音在第几层注入、门控看什么信息。下表把论文对消融的文字报告整理为可核对的形式，数值保留原文连续句中的写法，不自行补列。

表后解释应强调边界而非单调改进。切分层实验显示早到中段鲁棒，但过晚注入退化，支持有效融合需要足够多的大模型上层暴露给语音的判断。门控实验显示大模型头对门控输入相对不敏感，干净集上纯文本与拼接同为 3.2，其他集上 5.7 对 5.6 仅差 0.1；但轻量头更受益于带语音条件的门控，纯语音与拼接优于纯文本。

这支持论文的有限解释，即门控中的声学信息对经共享编码器向轻量头的迁移更重要，但这仍是基于观察的解释，不是因果证明，待验证的是若固定编码器只换门控是否仍有同样差距。未评测的边界包括其他秩的低秩适配、其他大模型规模与流式解码，论文未给出这些数字，不能外推。

哪些结论不能推广，缺了哪些验证？

首先，论文直接报告的是在无大预训练语音编码器的受控条件下的改进，不能推广为在使用大规模预训练语音编码器时仍有同样幅度增益，原文已声明不可直接比较。其次，隐式知识迁移是有益观察但无显式蒸馏损失，相关性不等于因果，论文用显著性描述多语言增益，但未测量编码器表征的语言学探针或误判类型分布，因此不能断言迁移了哪类语言知识。

第三，效率结论基于实时率，大模型头从 0.90 到 0.65 确有下降，但训练仍需同时优化大模型路径与轻量路径，训练资源与显存并未声称下降，推理帧率与实际延迟需区分，总体趋势不等于每句都更快。第四，解码器独占基线在多语言集未收敛，说明比较在该子集上缺失一个可运行对照，主结论在多语言上更多依赖与从零对齐器及 Whisper-small 的比较。最后，资源状态为无可验证的公开链接，不得声称代码、模型或数据已公开，复现需自行实现门控与双头训练。

要复现应先做什么，需要哪些超参数？

复现的第一步是搭好对齐器编码器基线。按论文用 17 层 Conformer-L，8 头，隐维度 2048，输入 80 维对数梅尔特征，中间第 12 层加权重 0.1 的间连接时序分类损失，先在目标数据集上验证从零轻量基线能达到 LibriSpeech 约 3.9/6.5 附近，再接入大模型路径，否则无法判断增益来源。第二步是接入 Llama-3.2-3B 基础版，保持分词器、输入嵌入与语言模型头不变，不加空白符，在第 7 层切分，下层冻结，上层注意力加秩 16 低秩适配，融合处加线性投影、均方根归一化、可训练标量与 Sigmoid 门控。第三步是双头联合训练，损失权重取大模型头 1.0、轻量头 0.5、间损失 0.1，学习率峰值千分之一，20,000 步预热，有效批量 70 分钟音频，LibriSpeech 训 100 轮，多语言训 30 轮，解码波束宽度 6，不加外部语言模型。

值得尝试的时机是已有标签同步或 transducer 经验、希望复用大模型文本能力但不想让大模型处理长语音前缀的场景。若目标是可部署小模型，可重点看联合训练后的轻量头，它在推理时可丢掉大模型。还需补的验证包括在其他切分层与门控变体下重复 3 次取方差、报告英语之外的逐语言显著性细节、以及在另一块显卡上重测实时率以排除硬件特异性。常见误解是把 U 长度接口当成压缩器下采样，实际上它是靠监督让编码器自注意力把证据集中到前 U 个位置，并丢弃尾部状态，不是简单的帧堆叠平均。

这篇工作留下了什么可带走的方法判断？

带走的判断可以归纳为 3 条。第一，分工上把单调对齐留给编码器，把语言建模与融合交给大模型上层是可行的，关键接口是 U 个标签同步状态，它把大模型上下文从 T 加 U 降到 U。第二，集成上原样复用大模型并只调连接器侧低秩适配足以获得增益，但注入不能太晚，门控是否带语音对轻量头的迁移更关键。第三，证据上最强的是 LibriSpeech 大模型头对同尺寸语音前缀基线的显著改进与多语言轻量头对同尺寸基线及微调 Whisper-small 在非英语上的改进，限制是 LibriSpeech 轻量增益不显著、英语未胜出、多语言缺失语音前缀对照。

对研究生而言，这篇论文的教学价值在于展示了一种不改词表、不加空白符、不做格子计算的大模型复用配方，以及用双头训练把大模型知识沉淀到小编码器的思路。后续若要深入，应先复现切分层与门控的消融，再补语言学探针与误差分析，最后才考虑换更大预训练语音编码器或更大规模大模型，每一步都保留可运行基线与显著性报告，避免把 1 次显著改进推广为普遍规律。

⚖️ 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