综艺音效为何难生成：用检索打底、专家分工 refinement 补齐时间与情绪

英文题目：ARCHES: An Agent-Based Refinement Cycle for Hierarchical Synthesis of Sound Effects for Variety Shows

会议身份：conference:interspeech:2026:conference-paper-id:lei26_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：#基准测试 #检索增强 #音视频 #音频检索 #视频到声音生成

评分：7.0/10 | 创新 1.5/2 | 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 0.2/1.5 | 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

• Wentao Lei：机构信息未能从会议 PDF 纯文本可靠映射
• Li Liu：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

综艺音效生成需从视频画面与语音中定位笑点与情绪转折，并输出风格化非写实声音，其难点在于时间精度、内容多样性与上下文理解难以兼得。ARCHES 先由规划智能体（Planning Agent）检测事件并形成制作方案，再由生成智能体（Generation Agent）结合检索范例合成初版音频，随后检查智能体（Checker Agent）诊断缺陷并经由自适应专家智能切换（Adaptive eXpert Intelligent Switch，AXIS）分发至时间或情绪精修智能体循环迭代，历史成功经验沉淀于创意经验库（Creative Experience Bank，CEB）以加速同类任务。与直接端到端视频到音频（Video-to-Audio，V2A）模型不同，该框架以外部专业素材库锚定多样性，以显式诊断加专科精修替代单次生成。在自建综艺音效基准（Variety Show Sound Effect Benchmark，VSSE-Bench）上，其对数谱距离（Log-Spectral Distance，LSD）为 0.77 dB，Frechet 音频距离（Frechet Audio Distance，FAD）为 7.04，起音差异（Onset Difference，OD）为 0.048 s，主观语义、时间、情绪平均意见分（Mean Opinion Score，MOS）分别达 4.04、4.54 和 4.46，全面领先 4 个视频到音频基线。在VSSE-Bench基准下，ARCHES的LSD为0.77 dB，低于MMAudio的LSD 2.09 dB。多轮精修带来额外延迟，原文明确未来需优化迭代生成延迟。结论仅适用于短事件中心片段，长视频连贯性、跨文化喜剧泛化与迭代时延成本尚未验证。

🔗 开源与复现资源

• 演示资源：https://arches-bench.github.io/ — 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，先把任务边界说清楚

本文的输入是一段综艺视频，包含画面和人物语音，目标是为其中值得加效果的关键时刻配上合适的音效，再输出带声音的片段。需要保留的关键信息是效果类型、出现时机和情绪强度，例如人物快速移动时加 swoosh，惊讶瞬间加 boing，需要引导观众反应时加笑声轨。输出不是一段孤立的音频文件，而是与原视频时间轴对齐、可直接观看的成片。

对刚入门的同学，白话解释是综艺音效师干的是后期加料，不是现场收音。现场收音保证能听清人说话，后期音效决定好不好笑、节奏顺不顺。这个区别决定了方法不能只做视听同步，还要做喜剧判断。论文把写实音和非写实综艺音效分开，写实音指脚步、碰撞这类画面动作自然发出的声音，非写实综艺音效指本不存在于物理场景、为了节目效果后加的声音。

写实音 × 非写实综艺音效： 写实音指画面里物理动作自然发出的声音，例如脚步、碰撞，非写实综艺音效指为了搞笑、煽情、带节奏而后加的声音，例如夸张的 boing、swoosh 和笑声轨；前者分工是保证视听一致，后者分工是放大情绪和喜剧效果；搭配比较的理由是现有视频到音频模型大多只为前者优化，直接搬到综艺会水土不服；区分后新增的判断是评价综艺生成必须同时看语义贴合、时间对齐和情绪增强 3 维，不能只看音质。

从学习依赖看，先要接受综艺音效高度依赖人工经验这个前提，再理解自动化为什么难。人工流程靠剪辑师看片、找点、选材、卡点、调情绪，每一步都依赖对节目风格的理解。通用文本到音频模型能根据一句话生成干净的声音，但控制不了精确到几十毫秒的出声时刻，也想不到某个明星标志性笑声这类长尾内容。视频到音频模型虽然看了画面，但训练目标仍是还原物理声音，遇到夸张、反物理的喜剧需求就会保守。

官方演示当前可用，地址是https://arches-bench.github.io/，资源状态为 available，状态码 200，可作为听感对照，但解读仍以论文正文证据为准。本文后续按任务与相关路线、方法全景、组件计算、数据构造与训练实现、实验条件、结果与反证、复现与收束展开，每节只解决一个具体问题。

同输入同目标的老路线各解决了什么，还缺什么

第一条路线是文本到音频生成，代表是 AudioLDM 和 Make-An-Audio。它们的输入是文字描述，目标是生成高保真声音，监督来自文本音频对，运行阶段是离线按提示生成。优点是音质好、实现简单，缺点是没有视频约束，管不住何时响、响多久。把它直接用于综艺，就像只听导演口述就去配音，没有看画面卡点，时间一定对不准。

第二条路线是视频到音频生成，代表包括 FoleyCrafter、STA-V2A、MMAudio，以及采用多模态扩散变换器的大规模模型 Kling-Foley 和 HunyuanVideo-Foley。它们的输入是视频加文本，目标是让声音的语义和时间与画面对齐，做法多是在基础文本到音频模型上加语义适配器和时间适配器，或在隐空间做流匹配对齐。这条路线在写实音上进步明显，但论文明确指出它们生成的是场景内自然起源的声音，不适合风格化、喜剧化的综艺效果。

第三条路线是多智能体协作生成，代表是 CAMEL、AutoGen 和 ChatDev。它们的输入是复杂多步任务描述，目标是把任务拆给不同角色的智能体协作完成，监督不再是单一损失，而是角色分工、对话和工具调用。论文借用的是组织形式，不是具体音频算法，目的是模仿后期团队里有人负责策划、有人负责合成、有人负责检查、有人负责精修。

还有一条相关尝试是 ThinkSound，用大语言模型推理来指导音频生成与编辑。它向情绪化、故事化迈了一步，但论文判断在唤起情绪的综艺音效上仍有明显缺口。综合来看，同输入的视频到音频路线解决了同步，同目标的喜剧增强还没有被系统解决，同运行阶段的在线精修也缺席，这正是 ARCHES 要补的位置。

综艺配音的三个硬约束是什么

第一个硬约束是时间精度。综艺的笑点常常靠卡点，音效早几帧或晚几帧，包袱就泄气了。论文用起音差异来量化，要求生成声音的事件起点与真值起点尽量重合，单位是秒，越小越好。这比整体音质更苛刻，因为整体听感还行不等于卡点准确。

第二个硬约束是内容多样性。综艺需要新奇、稀有、带人设的声音，训练数据里很少见。纯生成模型容易回到常见音色，听起来干净但 1000 篇一律。论文用听感和分布距离来暴露这个问题，如果模型只会生成大路货，与专业制作库的分布距离就会拉大。

第 3 个硬约束是上下文理解。同一个动作在不同情绪下该配不同的声音，惊吓、得意、尴尬不能用同一个 boing 糊弄。模型必须同时看懂视觉事件和语音情绪，再决定音效的类别、强度和出现位置。论文因此把评价拆成语义、时间和情绪三项主观分，分别对应配得对不对、卡得准不准、情绪带不带动。

举一个教学例子帮助复述，不代表论文实测数值。假设一个游戏环节嘉宾突然转身，规划阶段应标记转身起始帧并判断是搞笑反转还是紧张追逐，生成阶段先给出一个 swoosh 初版，检查阶段发现起音晚了且情绪偏平，再分派给时间精修和情绪精修各改 1 次。这个例子说明为什么必须把 1 次生成拆成多次小修正。

ARCHES 如何把一次生成拆成规划、生成与精修循环

ARCHES 的全称是基于智能体的分层合成精修循环。白话说就是不再指望一个模型 1 次写对，而是让几个各司其职的智能体走完策划、初稿、审稿、改稿。主路径是规划智能体先看视频的视觉和语音内容，做事件检测，找出哪些时刻需要加效果；生成智能体再按规划做条件合成，给出第一版音效；检查器智能体评估连贯性和同步，发现不足就写出修正指令，交给分派模块去找对应的精修器；精修后再回到检查，形成循环，直到通过或达到轮数。

3 个核心模块分工不同。听觉统一检索增强负责创意素材库，用检索到的专业音效做上下文范例，让初稿风格从起点就不跑偏。自适应专家智能开关负责智能分诊，把修正指令路由给时间动力学精修器、情绪精修器等专家。创意经验库负责长期记忆，把成功的交互链记下来，下次遇到类似场景直接套用典型模板捷径，省掉重复决策。

下图是全文唯一有像素证据的总体框架图，包含规划、生成与精修循环三部分，阅读时先走主路径，再看素材库和精修支路如何汇入。

看图路径： 1. 先从左上输入视频经分析进入生成，再看右侧声音库如何回灌到生成框；2. 再沿中间绿色精修循环看检查器到分派开关再到三类精修器的单向箭头；3. 最后确认底部输出框是带波形的视频，说明输出仍是配好音的片段而非孤立音频；4. 注意检查器列出的存在性、时间、情绪、连贯性四个检查维度

论文图 1。原论文 Figure 1：“The overall framework of the ARCHES Framework. It consists of a Planning stage, a Generation stage, and a Refinement loop.”。

从像素可见，上排从左到右是输入视频经分析进入生成框，右侧虚线框是声音库经查询返回音效并回灌到生成，中间绿色条是精修循环上下连接生成框。下排从左到右是检查器列出存在性、时间、情绪、连贯性等维度，经分派开关送到时间精修、情绪精修、连贯精修等专家，再流向带波形的输出视频。这张图的可复述要点是素材检索只影响起点质量，时间与情绪质量主要靠下排循环改出来，长期记忆则跨任务加速规划与分派。

检索库如何让初稿就有专业味道

听觉统一检索增强的英文是 Auditory Unified Retrieval Augmentation，简称 AURA。白话说就是先找再生成。它的输入是情绪标签、事件类别标签和原始音频，输出是统一嵌入空间中的向量，再用余弦相似度去大库里找最像的若干个音频文件。这些被找回的文件作为上下文范例，告诉生成模型当前场景下专业效果应该是什么音色、什么风格。

检索增强生成 × 听觉统一检索增强： 检索增强生成负责用外部库弥补纯生成模型见过的声音太少的问题，听觉统一检索增强是它在本文的具体实现：前者分工是提供范例引导，后者分工是把情绪标签、事件类别和原始音频统一编码到同一向量空间再做相似度检索；二者搭配的理由是综艺需要稀有、风格化的音色，光靠文本提示想象不出来，必须先找回专业音效再生成，组合后新增的作用是让初始合成在风格和音色上就贴近专业制作。

沿一个样本走一遍有助于理解。假设规划器判断某片段需要得意的笑声音效，检索器把得意情绪、笑声事件和当前语音片段一起编码成查询向量，在超过 26,000 条干净、无背景噪声、无语音、高保真音效的大库中找最接近的专业笑声，取前 k 个作为范例。生成智能体不再从空白开始想象，而是参照这些范例的频谱包络和节奏去合成，因此更容易命中综艺要的夸张感。

计算上论文只给出训练检索编码器的目标，没有给出生成器的新损失。检索编码器基于 Qwen2-Audio，用标准的 InfoNCE 损失做批内负样本对比，公式含义是拉近查询与正例音频的余弦相似度，推远与同批其他音频的相似度，可学习温度系数控制分布锐利程度。原文未报告温度初值、 top-k 具体取值和融合范例的注意力实现，这些是复现检索引导生成时需要补看代码或附录的缺项，不能从模型名字推定。

检查与分派如何把改稿做准而不改坏

自适应专家智能开关的英文是 Adaptive eXpert Intelligent Switch，简称 AXIS。白话说就是分诊台。检查器先给初版打分并指出哪 1 维不行，开关再决定派给哪个专家。时间动力学精修器管出声时刻和包络，情绪精修器管情绪色彩，例如把平淡的笑改得更得意或更尴尬。

自适应专家智能开关 × 专家精修器： 自适应专家智能开关负责当调度员，判断当前缺陷该交给谁改，专家精修器负责当执行者，具体动手改时间或改情绪；搭配理由是检查器只会指出存在性、时间、情绪、连贯性哪一类不对，不直接改波形，需要一个路由层把自然语言修正指令翻译成任务分派；组合后新增的作用是形成针对性迭代，每次只动一个维度，避免全局重生成破坏已对齐的部分。

工作流是单向但可循环的。检查器输出修正指令，开关解析指令中的缺陷类型，路由到对应精修器，精修器只改自己负责的参数，改完交回检查器再验。如果时间对了但情绪仍不对，下 1 次循环就只派情绪专家，避免动已经对齐的时间轴。这种小步修正是论文强调的与 1 次重生成的区别。

需要提醒的是论文没有报告每个精修器内部是扩散编辑、波形拼接还是滤波器参数调整，也没有报告循环终止阈值和最大轮数。解读时只能说分派逻辑在智能体语言层面完成，具体声学操作依赖底层 MultiFoley 结构，缺失的实现细节不应脑补为某种编辑算法。

经验库记什么，何时直接套模板

创意经验库的英文是 Creative Experience Bank，简称 CEB。白话说就是错题本加优秀作业本，只记成功的交互链，不记失败尝试。新任务开始前，规划智能体和分派智能体会先查库，如果是重复出现的场景，就引用已建立的工作流走典型模板捷径，大幅减少决策时间。

创意经验库 × 典型模板捷径： 创意经验库负责长期记忆，记录哪些交互链最终成功了，典型模板捷径负责短期加速，遇到重复场景直接套用已验证的工作流；搭配理由是多智能体每步都要调用大模型做决策，重复决策既慢又不稳定，需要把成功经验结构化存下来复用；组合后新增的作用是系统级自我演化，新任务先查库，命中则跳过冗余规划与分派，只做必要生成与校验。

举例说明调用时机。假设节目固定环节每次都有开场鼓点加欢呼，第 1 次可能要走完整规划、检索、生成、检查、精修，成功后把从事件检测模板到检索关键词再到精修顺序记下来。下次同样环节直接套用，规划和分派几乎不做推理，只做必要生成与校验。论文的消融显示去掉记忆后整体质量略降，说明它主要起稳定和加速作用，不是决定音质上限的模块。

原文没有报告库的容量上限、写入筛选标准、检索相似度阈值和遗忘机制，也没有说明跨节目风格迁移时是否会误用模板。复现时应把经验库当作可选加速层，先保证无库时主循环可运行，再评估加库后的耗时与稳定性收益。

哪些参数真的训练了，哪些只是调用

本节按证据区分训练与调用。真正用梯度训练的是 AURA 检索器中的多模态编码器，基座是 Qwen2-Audio，用 LoRA 微调，秩为 8，缩放系数为 32，优化器学习率是 1e-4，批大小是 32，音频分词上限是 2000 个 token，文本元数据上限是 512 个 token，损失是 InfoNCE。这部分是有明确更新对象和监督来源的，监督来自查询与正例音频的配对关系，负例来自同批其他样本。

音频生成与编辑沿用基于 MultiFoley 的模型结构，论文没有报告对该生成主干的重新训练或微调细节，应理解为既有生成能力的调用与条件合成，不是本研究的训练对象。高层认知功能，包括规划智能体、检查与其他分析任务，由 Gemini-2.5 Pro 承担，属于大模型推理调用，不是梯度更新。

因此复述时要说清楚训练只发生在检索编码器一处，主循环的智能来自提示、检索范例、检查反馈和经验复用。未报告的缺项包括训练轮数、验证划分、学习率衰减、LoRA 作用层范围和检索召回率本身，这些缺失不是否定方法，只是说明不能从现有证据推定检索器的收敛质量，只能从下游生成指标间接支持其有效。

数据、基线与指标在什么条件下比较

数据分两块。评测用的是新建的综艺音效基准 VSSE-Bench，包含 1000 期来自 YouTube 和 Bilibili 的热门综艺整期节目，覆盖小品喜剧、真人秀和游戏秀，再预处理切成短的、以事件为中心的片段。检索用的是专用音效库，超过 26,000 条孤立高保真音效，干净无背景噪声和语音，带类别和情绪标注，便于多模态检索。论文说会发布基准和大库，但当前解读只按已描述的构造口径理解，不推定划分比例。

基线是 4 个可运行的视频到音频模型，包括 MMAudio、Kling-Foley、HunyuanVideo-Foley 和 FoleyCrafter，均为同输入同运行阶段的对照，比较的是在综艺任务上的直接表现，不是类别差异。智能体主干对比了 Step-1o、GPT-4o、Qwen3-VL、Gemini-2.5 Flash 和 Gemini-2.5 Pro，用于说明规划与检查能力对最终音质的影响。

起音差异 × 弗雷歇音频距离： 起音差异负责衡量时间同步，计算生成音频与真值事件起音点之间差了多少秒，弗雷歇音频距离负责衡量整体质量与多样性，比较生成音频嵌入分布与真实音频分布的距离；搭配理由是综艺既要求 1 帧不差地卡点，又要求音色干净、多样、不单调，单一指标看不全；组合后新增的作用是把精修是否有效拆开验证，时间精修应主要动起音差异，检索增强应主要动弗雷歇音频距离。

指标分客观与主观。客观包括对数频谱距离，衡量生成与真值对数频谱的感知差异，单位分贝，越小越好；起音差异，衡量事件起点时间差，单位秒，越小越好；自动平均意见分，用 DNSMOS 类自动预测，越大越好；弗雷歇音频距离，衡量生成分布与真实分布的距离，越小越好。

主观是 20 人参与的用户研究，在 32 个测试视频上按 1 到 5 分评价语义相关、时间对齐和情绪增强，分别记为 MOS-S、MOS-T、MOS-E，越大越好。硬件、统计显著性和标注一致性在现有证据中未报告，比较时应注明该边界。

主结果测了什么，谁在什么指标上赢了多少

要回答的问题是同样看综艺片段，ARCHES 的成品是否在保真、同步和主观感受上都更好。公平条件是同一 VSSE-Bench 上的可运行基线对比，指标方向是 LSD、起音差异和 FAD 越小越好，自动分和三项主观分越大越好。下表整理了主结果的客观部分与主观均值，数值保留原文精度与单位口径。

表后解释需要同时讲收益与代价。报告显示 ARCHES 在 LSD 上达到 0.77 dB，在 FAD 上达到 7.04，起音差异仅 0.048 秒，自动分达到 2.68，三项主观分分别达到 4.04、4.54 和 4.46，全面高于 4 个基线。论文据此支持多智能体迭代精修有效的判断，尤其时间项接近满分，说明时间精修器确实把卡点补上了。但也要看到未胜出项的另一面，基线中 Kling-Foley 的起音差异为 0.077 秒，是基线里同步最好的，HunyuanVideo-Foley 的自动分为 2.43，是基线里整体质量最高的，说明不同基线各有长板，ARCHES 是把 3 维同时拉高，而非基线一无是处。限制是主观仅 32 个视频、20 人评价，推广到全部综艺类型仍需更大样本验证，且推理延迟与成本未测量，不能承诺更快更便宜。

拿掉检索、分派或记忆，哪一项先变差

要回答的问题是 3 个模块各自的贡献能否被反证。实验做了 3 个变体，去掉 AURA 后生成智能体退化为纯文本到音频，去掉 AXIS 后关闭基于智能体的精修循环，去掉 CEB 后不再查记忆。公平条件是同一基准、同一指标，指标方向与主结果一致。下表保留原文 4 位小数之外的原始精度，单位与主结果相同。

表后解释要对应机制。去掉 AURA 后 FAD 从 7.04 升到 15.81，增幅最大，支持检索范例对质量与多样性关键的判断，因为少见声音只能靠库来兜底。去掉 AXIS 后起音差异从 0.048 秒升到 0.122 秒，恶化最明显，支持迭代精修对同步关键的判断。去掉 CEB 后各项仅轻微下滑，例如 FAD 到 7.18，自动分到 2.61，支持记忆主要起稳定与加速作用的判断。未评测的边界是三者同时去掉、不同精修器单独去掉、以及循环轮数与阈值的敏感性，这些在现有证据中没有报告，不能推定拿掉后必然怎样，只能说已验证的单模块消融支持上述分工。

智能体主干换了会怎样，还有哪些没测

要回答的问题是规划与检查能力是否瓶颈整体表现。论文比较了 Step-1o、GPT-4o、Qwen3-VL、Gemini-2.5 Flash 和 Gemini-2.5 Pro 作为智能体主干的效果，任务与指标不变。下表按原文保留 2 位小数精度，起音差异单位为秒。

表后解释要区分直接报告与推测。报告显示 Gemini-2.5 Pro 在三项上最好，Flash 与开源的 Qwen3-VL 接近，GPT-4o 居中，Step-1o 误差最高。这支持智能体选择是影响最终质量的关键因素，但多数主干仍表现不错，尤其 Qwen3-VL 证明框架对开源模型也有效。待验证的是这种差距多大来自视觉理解、多大来自指令遵循，论文没有拆解，不能把主干差异直接等同于某一能力差异。

更大的限制在成本与延迟。论文未来工作明确提到要优化迭代生成延迟、降低对底层模型能力的依赖，并扩展到跨模态音画生成。现有证据未报告每轮耗时、总轮数分布、调用费用和输出帧率，因此不能承诺 ARCHES 在实时或低预算下仍保持同样优势。相关性不等于因果，主观高分与检索、精修同时出现，支持组合有效，但不能证明每一分提升都来自某一个模块。

要复现先做什么，需要准备什么条件

复现的第一步是拿到数据与库。按论文口径需要 VSSE-Bench 的事件片段划分和超过 26,000 条带类别与情绪标注的干净音效库，再确认查询用的情绪标签、事件类别标签和原始音频三元组的格式。如果库不可用，先用小规模自建库验证检索流程是否跑通，但不要把小库结果当成与原文可比的数字。

第二步是先跑通无记忆主循环。依次实现规划事件检测、条件合成初版、检查器按存在性、时间、情绪、连贯性打分、开关路由到时间或情绪精修，再循环回检。检索编码器按 Qwen2-Audio 加 LoRA 秩 8、系数 32、学习率 1e-4、批大小 32、音频 2000 token 与文本 512 token 的配置训练，高层智能体先用论文最强的 Gemini-2.5 Pro 或手头的 Qwen3-VL 替代，记录主干差异。

第三步是对齐评测。客观按 LSD 越小越好、起音差异越小越好、FAD 越小越好、自动分越大越好计算，主观按语义、时间、情绪三项 1 到 5 分组织听评，测试视频数、人数和指导语尽量与原文 32 个视频、20 人一致。代码开源、权重下载和系统可运行是三件不同的事，论文只说明基准将发布，演示页当前可用，不能推定训练代码与权重已公开。还需补的验证是延迟统计、失败案例分析和跨节目迁移测试，这些决定了方法是否值得在自己的综艺管线上尝试。

何时值得尝试，一句话如何带走

当任务是综艺这类需要夸张、卡点、带情绪的后加音效，且手头有一定量专业音效可做检索库时，ARCHES 的思路值得尝试。它的可学之处不是某个大模型的名字，而是把 1 次生成拆成可检查、可分诊、可小改的循环，再用检索保下限、用记忆省重复劳动。如果只有写实需求或没有情绪评价，传统视频到音频基线可能已够用，不必引入多智能体复杂度。

常见的误解是以为检索增强等于拼接原声，或以为智能体越多越好。论文实际做的是检索做范例引导而非直接复制，智能体分工是为了每次只改一个维度，避免全局重写破坏已对齐的部分。另一个误解是把自动分当成人评分，自动分只是语音质量预测，与三项人工 MOS 不是同一指标，不能混放比较。

带走的一句话是规划找点、检索定调、检查挑刺、分派改错、记忆加速，时间精度靠循环改出来，风格多样性靠库托底。复现时先保证检索与精修各自可运行，再谈组合收益，任何关于更快、更省、更通用的说法，在补测延迟、成本与跨域表现之前都应视为待验证。

⚖️ 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