把一句手术口令拆成方向、模式和步数：用顺序回归压住大步长误动作

英文题目：Surgical-Robot Command Spotting: Safety-Aware Learning for Compositional Commands

会议身份：conference:interspeech:2026:conference-paper-id:lee26y_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：#医疗音频 #注意力机制 #多任务学习 #跨语言 #关键词检测

评分：5.6/10 | 创新 1.2/2 | 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 0.5/1.5 | 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

• Jaewon Lee：机构信息未能从会议 PDF 纯文本可靠映射
• Sang-Beom Lee：机构信息未能从会议 PDF 纯文本可靠映射
• Bum-Hwi Kim：机构信息未能从会议 PDF 纯文本可靠映射
• Kwang-Yong Kim：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

手术室语音控制需在口罩遮挡与手术室噪声下把短语音映射为51类韩语组合命令，误将5步听成1步会造成大幅超调或欠调。模型先用轻量共享深度可分离卷积编码器把40维对数梅尔谱压缩为24帧128维特征，再以方向、模式、幅度三路独立时域注意力池化分别汇聚证据，随后方向与模式用Softmax分类而1至5步用一致性排序逻辑（Consistent Rank Logits，CORAL）序数回归输出。相比把组合命令视为独立类的扁平分类，该分解显式编码步数序数关系并以掩码仅在步进样本上监督幅度。留一说话人评估下完整模型在干净与噪声乘以口罩与无口罩组合条件下达到95.36%联合命令成功率，步进子集平均绝对误差（Mean Absolute Error，MAE）为0.0338步且灾难性误差率为0.60%。结论限于5说话人预切分2秒话语与回放重录噪声，尚未验证流式检测与拒识。模型约181K参数与每2秒窗5.99M乘加操作，原文未披露训练硬件、推理延迟实测或部署成本。

🔗 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，哪些信息必须保留？

这篇论文的输入是手术助手机器人口控场景下的短语音波形，采样率为 16 kHz，时长按 2 秒窗口预切分。目标是把一句话映射为一个结构化动作，而不是转写成自由文本。必须保留的信息有 3 层：往哪个方向动、以单步计数还是持续移动或功能命令的方式动、若是单步则动几步。原文把词汇表固定为 51 个韩语命令，其中 48 个是 8 个移动方向与 6 种幅度的组合，8 个方向包括左右上下前后与顺逆时针旋转，6 种幅度包括 1 到 5 步加持续移动，其余 3 个是清洁、返回和停止这类功能性单命令。

为什么不直接做语音识别再解析？论文在引言中给出的安排理由是安全关键控制更适合闭集命令接口：有界的端侧延迟、减少下游解析引入的错误通路、便于在安全论证中验证。手术室的特殊性在于口罩会降低可懂度、背景噪声大、依赖外部服务器会带来网络延迟与隐私风险，因此边缘部署是硬约束而非偏好。初学者容易误以为关键词检出只是触发词检测，本文的命令检出则是触发加参数的组合：方向错了会走错路，步数错了会走过头。

原文特别强调步数的序数性质，把 5 步听成 4 步与听成 1 步的危险程度不同，但标准 softmax 把每类当独立类，对两类混淆惩罚相近，难以抑制大步长灾难性错误。这就是全文安全视角的起点。

学习依赖上，先要理解任务是组合分类加顺序回归，再理解共享编码器与多头池化如何分工，最后才能理解训练掩码、辅助头与跨语言预训练的作用。输出不是 3 个独立分数的简单平均，而是按规则重组成标准命令标签后再算联合成功率，幅值误差只在离散步命令上计算。复述时要守住这条主线：输入波形到频谱，到帧表示，到 3 路汇总，到重组命令。

已有路线解决了什么，还缺哪一块安全拼图？

论文把相关工作分成 3 条线。第一条是手术室语音与语音控机器人：口罩与噪声对可懂度的影响、智能手术室语音助手与多模态数据集、基于自动语音识别的语音到动作管线。这条线证明了需求存在，但自由转写管线在安全验证与延迟上并不占优。第二条是关键词检出的紧凑卷积主干与边缘部署，包括小 footprint 卷积、微控制器部署与轻量优化，说明端侧可行是该领域长期目标。第 3 条是鲁棒性增强：更强的池化与注意力设计、多通道处理、测试时自适应，以及低延迟的流式 transducer 结构。

本文与它们的同输入、同目标对照是：在相同的短命令输入与闭集检出目标下，不引入多通道硬件或测试时自适应，而是利用命令本身的组合结构。与同监督对照是：已有工作多用整体命令标签监督，本文把同一标签确定性解析为方向、模式和幅值 3 个因子再监督，监督来源没有增加人工标注。与同运行阶段对照是：推理阶段只保留因子化三头，辅助 51 类头仅训练使用，因此不增加部署计算。

缺的拼图是两点：一是组合结构未被利用，二是序数安全性未被度量。论文因此提出因子化预测加 CORAL 顺序回归，并报告联合成功率之外的平均绝对误差与灾难性步数错误率。初学者要注意，相关类别差异不能当同条件胜负，例如流式 transducer 解决的是延迟问题，本文解决的是步幅大错问题，二者不在同一评价轴上。

51 个命令如何被拆成三个因子？

论文的任务定义很具体。每条语音只标注一个 51 类中的命令标签，例如左侧 3 步、前进持续或停止，而不是分别标注。训练时再把该标签确定性解析为 3 个因子：方向、模式与幅值。模式取值为单步、持续与功能 3 类，幅值仅在单步模式下定义为 1 到 5。举例说明，这是教学例子而非原文新数据：若标签是向左 3 步，则方向为左、模式为单步、幅值为 3。

若是前进持续，则方向为前进、模式为持续、幅值为空；若是停止，则模式为功能，直接输出对应功能命令。

推理时模型分别预测方向、模式和步幅，再确定性重组：单步模式组合为方向加步数，持续模式组合为方向加持续，功能模式输出对应功能命令。联合命令成功率就是比较重组后的标准命令与真值是否一致。这种设计把 51 类问题拆成更小的子问题，方向与模式用 softmax 分类，离散幅值用顺序回归。关键细节是幅值损失与幅值指标只在离散移动命令上计算，持续与功能样本不参与，这通过逐样本损失掩码实现。

为什么这样拆是合理的？原文的依据是命令的组合性与步数的序数性。组合性意味着方向证据与数量证据可能出现在 utterance 的不同时间段，需要不同的池化；序数性意味着误差大小有安全含义，需要区分近失与灾难。评价也因此是双轨：联合成功率看整体可用，平均绝对误差与绝对误差大于等于 3 的灾难性错误率看步幅安全。

从波形到重组命令要走哪几步？

沿一个样本走完全程有助于建立全局图。输入 2 秒 16 kHz 波形先提取 40 维对数梅尔频谱，短时傅里叶变换用 25 毫秒分析窗、10 毫秒跳跃、512 点傅里叶变换，梅尔滤波器覆盖 60 到 7600 赫兹，再做逐句均值方差归一化。频谱送入共享轻量编码器，得到下采样后的帧级表示，论文记为 24 帧 128 维。随后 3 路头独立时间注意力分别汇总出方向向量、模式向量和幅值向量，方向与模式接 softmax，幅值接 CORAL 顺序回归。训练时还有第 4 路 51 类辅助头，推理时移除。最后按模式重组成标准命令。

下图是全文的方法总览，值得停留细看，它把训练与推理路径、4 个分支的监督方式画在了一起。

看图路径： 1. 先从顶部波形经对数梅尔频谱进入共享轻量编码器的主箭头看起；2. 再看编码器下方分出的三路实线注意力与最右侧虚线辅助分支；3. 对照每路下方的分类方式标注区分 Softmax 与 CORAL 阈值；4. 注意幅值支路下方标注的条件掩码权重含义

论文图 1。原论文 Figure 1：“Overview of the proposed architecture. A”。

从像素可见，顶部标注波形经对数梅尔频谱进入共享轻量编码器，编码器标注为 2 维卷积加 1 维深度可分离卷积。编码器下方分出 4 路注意力，左侧 3 路为实线即训练与推理共用，分别标注方向隐向量、模式隐向量和幅值隐向量，最右侧辅助分支为虚线即仅训练使用。4 路下方各有一排小方块表示分类 logits，方向为 11 类 softmax，模式为 3 类 softmax，幅值为大于等于 2 到大于等于 5 的 CORAL 阈值，辅助为 51 类 softmax。幅值支路下方还标注了条件掩码加权损失，说明该损失只在部分样本上生效。

这张图的学习价值在于一次性讲清参数共享与任务分离的边界：编码器共享以省计算，注意力与分类头分离以取各自证据，辅助头只在训练期稳定表示。

共享编码器与三路注意力各自负责什么？

共享轻量编码器按小 footprint 关键词检出思路设计。先是 2 维卷积主干处理时频平面，再是沿时间的 1 维深度可分离卷积块。原文表 2 给出结构：输入 198 乘 40 的对数梅尔频谱，加通道后经 2 维卷积与平均池化变为 99 乘 20 乘 16，再经投影与频率通道展平为 99 乘 320，随后经深度可分离卷积与平均池化逐步下采样到 49 帧再到 24 帧，通道数从 64 增至 128，最终输出 24 乘 128。时间下采样只放在早期块，目的是降计算同时保留足够时间分辨率给注意力池化。全模型 181K 参数，每 2 秒窗口 5.99M 乘加运算，与轻量基线同一量级。

注意力部分采用头独立设计。对每个头，用可学习投影计算帧分数，经双曲正切与 softmax 归一化，再加权求和得到该头的上下文向量。公式思想是让方向头关注方向词段、幅值头关注数量词段，而非共享同一组权重。论文把注意力可视化定位为诊断工具，可帮助解释失败案例，但无需时间戳监督。

组合命令 × 因子化预测： 组合命令指方向加步数或持续移动组合成的 48 个移动命令加 3 个功能命令，共 51 类；因子化预测指不把 51 类当独立类别，而是分别预测方向、模式和幅值再重组成标准标签，二者搭配的理由是组合结构可共享方向与模式证据并单独约束步数顺序，组合意义是减少类别稀疏并让大步长错误可被单独度量和抑制。

头独立时间注意力池化 × 共享轻量编码器： 共享轻量编码器负责把 40 维对数梅尔频谱变成 24 帧 128 维帧级表示，分工是提供统一声学基础；头独立时间注意力池化负责为方向、模式和幅值各学一组时间权重再加权求和，分工是汇聚各自最相关的语音段，搭配原因是方向词与数量词在时间上位置不同，组合意义是无需时间戳标注即可实现因子特定的证据聚合与故障诊断可视化。

初学者常问为何不用单池化加三头分类。消融显示，去掉头独立注意力主要伤害联合成功率，从 95.36% 降至 92.54%，支持头特定证据池化对组合命令的作用。编码器本身不做因子判断，只提供帧表示，判断的时序选择权交给各头，这是分工的关键。

步数为何不用普通分类而用顺序回归？

离散幅值是 1 到 5 的有序变量。CORAL 做法是学 4 个阈值 2 分类：幅值是否大于等于 2、大于等于 3、大于等于 4、大于等于 5。解码时数有多少个阈值输出超过 0.5 再加 1，例如超过 2 个则预测为 3。这种编码天然带有顺序偏置：把 5 预测成 4 只需错一个阈值，把 5 预测成 1 则错 4 个阈值，训练更鼓励近失而非远错。幅值损失与指标都只在真值模式为单步时计算，其余样本权重为 0。

方向与模式仍用普通 softmax，因为方向之间无顺序、模式 3 类也无顺序。只有步数需要顺序约束。论文报告，用标准 softmax 幅值头时灾难性错误率升至 0.83%，平均绝对误差为 0.0445 步；换成 CORAL 后降至 0.60% 与 0.0338 步，支持顺序建模对安全关键幅值的价值。注意这不是说 CORAL 在所有说话人上每步都更好，总体趋势不等于每组都成立，留一评估中说话人 3 仍是离群点。

CORAL 顺序回归 × 灾难性步数错误率： CORAL 顺序回归把 1-5 步看作有序变量，学习大于等于 2、大于等于 3、大于等于 4、大于等于 54 个阈值 2 分类再计数解码；灾难性步数错误率指步数绝对误差大于等于 3 的比例，分工上前者是训练机制、后者是安全评价，搭配原因是普通 softmax 对把 5 步错成 4 步和错成 1 步惩罚相近，组合意义是鼓励近失误差、显式压住会导致大幅过冲或欠动的尾部大误差。

复述时要区分原始目标、近似与优化步骤：原始目标是抑制大步长误动作，近似是用阈值 2 分类的排序一致性代替整体分类，优化步骤仍是梯度下降最小化加权总损失。原文未给出阈值间的梯度共享细节，不应从模型名推定实现，未报告即指出缺项。

损失如何加权，预训练与增强如何安排？

总损失是四项之和：方向损失加模式损失加条件掩码后的幅值损失加 0.5 倍辅助损失。幅值权重按样本取 0 或 1，真值模式为单步时为 1，否则为 0。辅助头预测 51 类命令标签，仅训练使用，推理移除以避免额外计算并保持因子化头主导。优化器用 Adam，学习率 0.0001，训练 150 轮，批量 16，所有模型用相同预处理与训练计划以保证公平。

低说话人是训练难点，全集仅 5 人 7140 条，覆盖 51 命令与干净噪声乘以戴脱口罩 4 个条件。为稳定训练，共享编码器先在英语 Google Speech Commands v2 上做监督关键词预训练，用相同对数梅尔前端，预训练分类器丢弃后再在韩语手术室数据上微调，且所有基线采用相同初始化设置以公平比较，另设无预训练消融。数据增强沿用轻量关键词检出的训练增强：波形随机时移正负 100 毫秒，80% 样本做高斯噪声混合，再做无时间弯曲的 SpecAugment，遮挡两个时域区与两个频域带。

条件掩码 × 训练期辅助头： 条件掩码指幅值损失只在真值模式为单步离散移动时权重为 1、否则为 0，分工是避免对持续移动和功能命令施加无定义的步数监督；训练期辅助头指训练时预测 51 类原始标签、推理时移除的额外分类器，分工是稳定低说话人条件下的表示学习，搭配原因是因子化分支在数据少时易漂移，组合意义是以整体标签约束共享编码器而不增加推理计算。

需要明确的是，辅助头的梯度会回流到共享编码器，幅值头的梯度只在单步样本上回流，方向与模式头在全样本上回流。原文未报告各损失是否做梯度裁剪或类别加权，不应猜测。预训练冻结与更新策略按证据是全量微调编码器而非冻结，分类器重建，但具体层冻结细节未报告，应视为缺项而非默认冻结。

数据、划分与指标如何保证测的是未见人？

数据集是自采韩语手术室命令集，4 种受控条件为干净噪声乘以戴脱口罩，噪声来自真实手术室录音经重放再录制以模拟声学播放与麦克风采集。共 7140 条，5 名说话人 3 男 2 女，16 kHz，覆盖全部 51 命令。增强与前端如前所述，评估用留一说话人交叉验证，每折留出 1 人测试，报告 5 折均值加标准差。

指标有三：联合命令成功率为主指标，方向越高越好；幅值平均绝对误差单位为步，越低越好，只在离散步命令上计算；灾难性步数错误率定义为绝对误差大于等于 3 的比例，越低越好，同样只在离散步命令上计算。原文解释选 3 为阈值的理由是 5 步范围内 3 到 4 步误差处于误差分布上尾，会导致明显过冲或欠动，而小误差视为近失。这种安全区分是本文评价的核心。

留一说话人评估 × 联合命令成功率： 留一说话人评估指每次留出 1 名说话人做测试、其余训练，共 5 折，分工是检验未见说话人泛化；联合命令成功率指把预测的方向、模式和幅值按规则重组成标准命令后再与真值比较的准确率，分工是反映端到端可用性，搭配原因是手术室必须面对新医生，组合意义是同时考核组合正确性而非单因子准确率的平均。

公平条件上，主结果中所有模型用相同前端、划分、训练计划与英语初始化，外部基线选参数量可比的 BC-ResNet-6。需要提醒，噪声条件经重放再录制，可能不能完全反映真实手术流程的分布偏移；评测用预切分 2 秒 utterance，不覆盖常开流式检测的复杂度。百分点与相对百分比不同，复述降幅时应说联合成功率提升多少个百分点，而非相对百分比。

主结果在什么条件下比过了谁？

比较的问题是：在相同前端、划分与预训练下，因子化、头独立注意力与顺序回归是否带来联合成功与安全的双重收益，指标方向是联合成功率越高越好、灾难性错误率与平均误差越低越好。下表整理了原文报告的模型对比，包含可运行的整体分类基线、因子化变体与外部参数匹配基线，以及计算量代价。

表后解释要同时看到收益与代价。与整体分类器相比，因子化把联合成功率从 93.14% 提高到 93.68%，引入头独立注意力进一步到 94.57%，说明组合结构本身有效。最好的联合成功率并不必然对应最好安全：多头注意力加普通 softmax 幅值时灾难性错误率反而升至 0.83%，平均误差停在 0.0445 步；换成 CORAL 后才实现 95.36% 联合成功、0.0338 步与 0.60% 的最佳权衡。代价上，本方法 181K 参数与 5.99M 乘加，与轻量基线同量级，而参数相近的 BC-ResNet-6 需 99.1M 乘加，凸显精度效率权衡。

未胜出项也要点名：BC-ResNet-6 联合成功率 93.65% 低于本方法但高于整体基线，说明外部强基线并非全败；因子化单注意力在安全上无改善，说明只拆因子不给独立池化与顺序约束是不够的。

分说话人表现更能暴露限制。下图按留一说话人逐人比较本方法与整体基线。

看图路径： 1. 先确认图例中斜线黄柱为基线、蓝色实心柱为本方法；2. 自上而下分别读取联合成功率、CSE 与 MAE 三个面板的纵轴单位；3. 重点比较说话人 3 与其他四人的高度差异与两方法差距；4. 观察说话人 2 和说话人 5 上本方法对 CSE 与 MAE 的压低幅度

论文图 2。原论文 Figure 2：“Per-speaker LOSO performance comparing”。

从像素可见，三排面板共享 5 个说话人横轴，顶排联合成功率纵轴 80 到 100%，中排灾难性错误率纵轴 0 到 2.5%，底排平均误差纵轴 0 到 0.125 步。顶排中说话人 3 两柱明显矮于其他人，原文报告该折本方法仅 88.53% 联合成功并伴随 1.88% 灾难性错误，检查发现与录音音量偏低及特殊发音有关。中排与底排显示本方法蓝色柱在说话人 2 到 5 上普遍低于黄色基线，尤其说话人 2 和 5 的压低幅度大，而说话人 1 上两者几乎持平。这支持因子化加顺序回归总体降低幅值误差，但也表明方差受最难说话人主导，灾难性错误作为稀有事件折间方差较大，绝对值小时相对波动仍大。

拿掉预训练、注意力与顺序回归会发生什么？

消融要回答每个组件的贡献与不可替代性，比较条件是保持其余设置不变、5 折平均。下表汇总去掉各组件后的联合成功率与安全指标，最后一列点明原文的机制解释。

表后解读需区分主次。去掉预训练退化最大，联合成功率从 95.36% 降至 88.97%，灾难性错误率升至 1.01%，平均误差至 0.0662 步，支持跨语言初始化在低说话人下的关键作用。用 softmax 代替 CORAL 时联合成功率仅小降至 94.56%，但平均误差从 0.0338 升至 0.0445 步、灾难性错误率从 0.60% 升至 0.83%，说明顺序建模主要保安全而非保整体准确。去掉头独立注意力主要伤联合成功率至 92.54%，而灾难性错误率 0.64% 变化不大，与其负责组合证据的角色一致。

未胜出与反例是：去掉辅助头后联合成功率 92.15% 甚至略低于去掉注意力，说明稳定表示与证据分离同等重要；噪声无口罩下联合成功率 96.23% 略高于干净无口罩 95.33%，原文仅视为经验观察并推测可能与 Lombard 效应等发音策略有关，而非噪声系统性有利，复述时必须用可能待验证的语气，不能当因果结论。

哪些边界本文没有测，不能承诺？

论文在结论中明确了三项限制。第一，说话人仅 5 人，环境多样性有限，对离群说话人的泛化仍是挑战，留一评估下方差大即是证据。第二，评测用预切分 2 秒 utterance，不捕捉常开流式运行的完整复杂性，未测量检测延迟、误触发率与流式解码成本，不能承诺延迟改善。第三，噪声经重放再录制模拟声学采集，可能不能完全反映真实手术流程分布偏移。

还有两项未评测边界需要初学者注意。一是拒绝策略：当输入为非命令语音或不确定时是否拒识，原文未报告误判率与拒绝机制，不能把联合成功率高理解为可直接闭环控制机器人。未来工作提出扩展说话人与环境多样性，并评估流式检测与拒绝策略在闭环控制中的表现加部署侧画像。二是训练资源与推理帧率：原文只给参数量与乘加数，未给训练时长、硬件预算与实际延迟，训练开销与推理延迟应分开讨论，乘加数低不等于端到端延迟一定达标。

区分报告、支持与推测很重要。报告的是数字：完整方法 95.36% 联合成功、0.0338 步与 0.60%；支持的是机制：顺序回归压大错、独立注意力保组合；推测的是噪声下略好的原因，原文用可能语气，复述时同样保留不确定性。缺失证据不是技术错误，但不能用相关性代替因果。

要复现这套结果先做什么？

复现的第一步是重建数据管线而非先调模型。按原文交代，需准备 16 kHz 语音，做 40 维对数梅尔频谱，短时傅里叶变换 25 毫秒窗、10 毫秒跳、512 点，梅尔范围 60 到 7600 赫兹，逐句均值方差归一化。划分必须用留一说话人 5 折，而非随机切分，否则会高估未见人性能。指标实现要注意幅值误差只在离散步命令上计算，灾难性错误率阈值为绝对误差大于等于 3，联合成功率需先重组再比较，而非三头准确率平均。

第二步是模型与训练。共享编码器按表 2 搭建 2 维卷积加 1 维深度可分离卷积，最终输出 24 乘 128；3 路注意力各学一组投影；方向与模式用 softmax，幅值用 4 阈值 CORAL 并按单步样本掩码；总损失加 0.5 倍 51 类辅助。

优化用 Adam 学习率 0.0001、150 轮、批量 16。增强包括正负 100 毫秒时移、80% 高斯噪声混合、无时间弯曲的 SpecAugment 遮挡。预训练需先在英语命令词上训练同一前端编码器再微调，且基线用相同初始化以公平。

关于可用性，证据清单显示未发现来源绑定且完成验证的资源，不得声称代码、模型或数据已公开。本次解读的事实来源只有论文正文证据与收到的官方原图像素，不继承其他分析。复现前应先确认数据集获取方式与授权，缺项是具体的：各层冻结细节、梯度裁剪、类别平衡与硬件预算未报告，需在复现报告中如实记录假设。

何时值得尝试这套因子化加顺序回归？

当你的命令集也是方向加数量这类组合，且数量大小有安全含义时，这套方法值得尝试。它的适用条件很具体：闭集短命令、预切分或可切分输入、端侧计算受限、步幅错误代价不对称。若命令是无结构的开放词表，或误差代价对称，CORAL 的收益会变小，此时普通分类加语言模型可能更合适。

可核对的复述要点是：把 51 类标签解析为方向、模式和幅值；共享编码器输出 24 乘 128；3 路注意力分别汇总；方向模式 softmax、幅值 CORAL 四阈值；损失掩码只监督单步样本。

辅助 51 类头仅训练；英语预训练后韩语微调；留一说话人下 95.36% 联合成功、0.0338 步、0.60% 灾难。特有误解有三：一是把灾难性错误率当整体错误率，它只是大幅误差的尾部比例；二是把噪声下略高当降噪能力，原文明确只是经验观察。

三是把乘加数低当延迟已达标，实际延迟还需部署画像。

还需补的验证是流式检测、拒绝策略与更多说话人环境下的闭环评估。只有补上这些，才能从预切分检出走向手术室可部署的语音控机器人。

⚖️ 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