跨数据集听损可懂度预测：用少量目标样本做适配为何能超过全量训练

英文题目：Improving Cross-Dataset Speech Intelligibility Prediction for Hearing-Impaired Listeners with Few-Shot Adaptation

会议身份：conference:interspeech:2026:conference-paper-id:lin26h_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：#助听器 #领域适应 #少样本 #语音 #语音可懂度评估

评分：6.1/10 | 创新 1.2/2 | 技术严谨 1.2/1.5 | 实验充分 1.0/1.5 | 清晰度 0.7/1 | 影响力 0.7/1.5 | 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

• Guojian Lin：机构信息未能从会议 PDF 纯文本可靠映射
• Xuefei Wang：机构信息未能从会议 PDF 纯文本可靠映射
• Ryandhimas E. Zezario：机构信息未能从会议 PDF 纯文本可靠映射
• Yu Tsao：机构信息未能从会议 PDF 纯文本可靠映射
• Fei Chen：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

听障语音可懂度预测（Speech Intelligibility Prediction, SIP）需从双耳助听处理语音预测听者主观可懂度分数，跨数据集时因听者、声学环境和助听器（Hearing Aid, HA）设置偏移而严重退化，且目标域标注获取昂贵。为此论文提出跨域少样本自适应网络（Cross-domain Few-shot Adaptation SIPNet, CFA-SIPNet），先在源域做语音基础模型（Speech Foundation Model, SFM）融合加Transformer的监督预训练以学习可迁移表示，再冻结主干并在目标域用少量样本更新适配器（Adapter）与评分头，同时以嵌入对比学习拉开不同可懂度样本的距离。相比已有逐点回归与数据拼接增强方法，该机制显式建模可懂度排序与差异结构，因而在有限监督下更具判别性。在Arehart目标测试集的跨库评测中，该方法相对最强基线ZipEnhancer + MP-SENet的2-Clips增强取得约8.5%的均方根误差（Root Mean Square Error, RMSE）下降与约4.2%的皮尔逊相关系数（Pearson Correlation Coefficient, PCC）提升，并以少于20%目标训练样本超越域内全量训练。其结论目前仅在CPC3到Arehart的单向迁移上成立，未验证反向迁移、多语言与强噪声混响等更复杂外推。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，要预测什么，为什么跨数据集会变难？

这篇论文的输入是经过助听器处理的双耳语音信号与听损听者的听力信息，目标是预测听者实际能听懂多少，用一个可懂度分数表示。研究生刚进入这个方向时容易把任务理解为语音质量打分，但可懂度更强调言语内容能否被正确感知，它依赖听者残余听力、助听器处理、噪声与混响等多种因素。论文以 Clarity 预测挑战系列为背景，指出基于 WavLM、Whisper、Canary 等语音基础模型加任务主干的模型在域内表现很好，可是一旦换听者、换声学环境或换助听器设置，性能就会明显下降。

跨数据集变难有两个直接原因。第一是域偏移，不同数据集的说话人、房间、噪声、助听器算法与评分分布不同，模型在源域学到的映射在目标域不再完全成立。第二是目标域标注稀缺，组织听损听者做主观听音测试耗时费钱，能拿来训练或适配的标注样本很少，传统需要大量标注的训练方法学不出域不变且有判别力的表示。论文因此把问题限定为跨数据集且少样本条件下的可懂度预测，输出仍是连续分数，评价用均方根误差与皮尔逊相关系数。

本解读的输入是论文正文证据与本次收到的官方原图像素，目标是让读者能核对方法并复述流程。必须保留的信息包括数据划分与采样方式、2 阶段训练的冻结与更新范围、损失组成与超参数、基线策略的公平条件以及关键数字的指标方向。输出是 1 篇按学习依赖展开的技术解读，不做超出证据的效果承诺。

已有跨域路线做了什么，还缺哪一块？

论文梳理了 3 类相关路线。第一类是数据增强，以 ZipEnhancer 加 MP-SENet 的双片段增强为代表，把同一听者的两个音频片段中间加静音段拼接起来生成增强数据，再与源数据合并训练。原文报告这种策略在跨数据集上达到当时的较好水平，但它本质上仍需要目标域的完整标注来构造增强样本，没有从根本上降低对标注的依赖，在标注极少时不太适用。第二类是 2 阶段微调，以 HASA-Net Large 为代表，用少量目标样本做微调，显示出比基线更好的域外泛化。第 3 类是利用已有分数代替听力图作为输入特征的 SSIP，用少量已见音频分数对预测未见音频，改善对未见听者的预测。

论文指出这些方法的共同局限是主要最小化预测分数与真实标签之间的逐点回归误差，没有显式建模不同可懂度语音样本之间的差异。高可懂度与低可懂度语音在特征空间中的区分没有被直接强调，学到的表示在面对未见的可懂度取值时泛化能力受限。这就是本文引入对比学习的动机，不是为了替代回归，而是补上判别结构这一块。

理解这段对照时要注意同输入同目标同监督的边界。增强方法与本文都以双耳语音预测可懂度分数为目标，但监督条件不同，增强用等同于目标训练集数量的增强样本，本文只用每听者 100 个样本。零样本基线完全不用目标数据，全量域内训练则用全部目标训练集。不同监督量下的数字不能直接理解为同条件胜负，论文用表格区分了域内全量、跨域零样本、跨域增强与少样本适配 4 种条件，阅读结果时要先看条件列再看指标列。

论文把任务形式化成哪两步，评测标准是什么？

论文把跨数据集预测形式化为迁移学习的两步。第一步是在源域 CPC3 完整数据上有监督预训练，学到通用可懂度表示并选出源域测试最优模型。第二步是把该模型迁移到目标域 Arehart，只用随机抽取的少量目标样本构造少样本集做微调。举例来说，这就像先在一个人群与设备条件下学会听懂程度的一般规律，再到新人群与新设备上用很少的听音分数校准，而不是到新环境就从零开始。例子仅用于理解流程，不代表论文报告过该例子的数值。

评测标准是均方根误差与皮尔逊相关系数。均方根误差越小越好，它反映预测分数与真实分数的平均偏离程度。皮尔逊相关系数越大越好，它反映预测与真实之间线性相关的强弱。论文在目标域 Arehart 测试集上报告这两个指标，测试听者在训练时完全未见。需要提醒的是，这两个指标都只衡量分数层面的吻合，不直接测量误判率、延迟或计算成本，论文也没有报告这些量，因此不能从分数提升推定系统在其他维度同样改善。

形式化之后的关键约束是目标样本的量与分布。原文在适配时从目标域每个听者随机选 100 个语音样本，并保持可懂度分数相对均匀分布以避免过拟合到特定分数段。这个均匀约束是复现时容易忽略的细节，如果只按原始偏态分布随机抽样，少样本集可能集中在高分或低分区间，对比学习中的正负对划分与回归都会受到影响。

CFA-SIPNet 的两阶段全景是什么，一个样本如何走完？

CFA-SIPNet 的全景分为源域有监督预训练与目标域少样本适配。先沿一个样本走完流程有助于建立整体感。输入是一段双耳语音，左右通道分开处理，每个单通道语音分别经过预训练的 WavLM 与 Whisper 抽取高层表示，再沿特征维拼接得到该通道的融合表示。然后左右通道的融合表示做时间交错拼接，形成同时保留双耳信息的序列。主干网络先做位置编码，再经过 3 个 Transformer 编码器建模时间依赖与上下文关系，最后经过多层感知机与全局平均池化输出一个可懂度分数。

在预训练阶段，上述整条路径的参数都在源域上优化，目标函数同时包含均方误差与基于排序的对比损失，以兼顾数值准确与相对顺序。在适配阶段，模型参数从预训练最优点初始化，语音基础模型融合、位置编码与 Transformer 编码器主体被冻结，只更新插入的适配器、嵌入模块与打分多层感知机，同时总损失再加入基于可懂度差异的嵌入对比损失。也就是说，主干提供稳定的通用表示，新增的小模块负责目标域的定向校准。

下面这张图是理解 2 阶段与模块位置的最直接依据，读图时先看主路径再看分支汇合。

看图路径： 1. 先沿左侧源域预训练到右侧目标域适配的粉色迁移箭头看两阶段主路径；2. 再看左右耳分支经语音基础模型融合后在哪里做时间交错拼接；3. 接着定位主干中三个编码器加适配器的位置与冻结灰色模块的范围；4. 最后看右下嵌入模块从主干输出接出时间池化与全连接的分支走向

论文图 1。原论文 Figure 1：“Overall architecture of the proposed CFA-SIPNet. Gray modules indicate that parameters are frozen in few-shot adaptation.”。

图 1 把整体分成 4 个面板。面板 a 是源域有监督预训练，左右耳经语音基础模型融合与时间交错拼接后进入位置编码加 3 个编码器，再经多层感知机与全局平均得到分数。面板 b 是少样本适配，主体结构相同但每个编码器变为编码器加适配器，并从主干末端引出一个嵌入模块分支输出 utterance 级嵌入用于对比学习。面板 c 细化了单通道内 WavLM 与 Whisper 各经全连接层后做维度拼接的融合方式。

面板 d 细化了编码器加适配器的内部顺序，多头注意力后接适配器再做残差与层归一化，前馈网络后同样接适配器与残差归一化。灰色模块表示在适配时冻结，粉色箭头表示跨域迁移，阅读时要把颜色与图注对应起来，不要把装饰线当成数据流。

融合、编码器、适配器与嵌入模块各自算什么？

语音基础模型融合模块处理单通道语音。白话说，它把两个大模型的看法拼起来，一个偏重自监督语音表示，一个偏重弱监督识别相关的表示，各自经过全连接层对齐后再沿维度拼接。原文对左右通道分别做同样的操作，得到左右融合表示后再做时间交错拼接。后文将语音基础模型融合简称为融合模块，将 3 个 Transformer 编码器加位置编码的部分简称为主干。

主干的计算是先加位置编码，再过 3 层 Transformer 编码器。编码器输出的序列表示一方面进入打分多层感知机与全局平均池化得到分数，另一方面在适配阶段进入嵌入模块。嵌入模块先做时间池化与降维，生成紧凑的 utterance 级嵌入，再用于基于可懂度差异的对比学习。适配器采用瓶颈结构，先线性投影到 128 维并经激活函数压缩，再映射回原维度并经过丢弃层输出，每个编码器中插入两个适配器，分别位于注意力与前馈之后。

语音基础模型融合 × 主干网络： 语音基础模型融合负责把左右耳通道分别经过 WavLM 与 Whisper 抽取高层表示并拼接，解决原始波形信息层次不足的问题，主干网络负责用位置编码加 3 层 Transformer 编码器建模时间依赖与上下文关系，解决融合表示尚未形成 utterance 级可懂度判断的问题，二者搭配的理由是前者提供通用声学与语义线索而后者提供任务相关的时序整合，组合后新增的作用是输出可直接回归为可懂度分数的融合表征。

适配器 × 嵌入对比学习： 适配器是在每个 Transformer 编码器中插入的瓶颈结构，负责以少量可训练参数实现参数高效的域知识迁移，嵌入对比学习是基于真实可懂度差异对末层输出做时间池化降维后拉近相似分数样本、推远差异样本的表示学习，负责增强高低可懂度语音之间的判别性，二者搭配的理由是前者控制过拟合与训练代价而后者提供判别目标，组合后新增的作用是在冻结主干的条件下仍能学到目标域可迁移的可懂度结构。

需要强调的是参数冻结与更新的边界。原文明确写出冻结的是融合模块、位置编码与 Transformer 编码器主体，更新的是适配器、嵌入模块与打分多层感知机。梯度路径与优化器细节未完全展开时不应猜测，例如适配器内部残差如何回传、嵌入分支梯度是否进入主干冻结部分，原文没有给出就应标记为缺项，而不是从适配器名称推定实现。复述时只要说清谁冻结谁更新、监督来自预测分数误差与嵌入相似度即可。

预训练与适配阶段的损失与优化条件是什么？

源域预训练的目标函数由均方误差与基于排序的对比损失加权组成。均方误差针对批次内每个样本的预测与真实之差求平方和，目标是把数值拉准。排序对比损失针对批次内任意样本对，比较预测差值与真实差值的平方误差，目标是保持相对顺序。原文用加权系数 λ 整合二者，预训练时 λ 设为 0.5。优化在完整源域训练集上进行 30 个轮次，使用 Adam 优化器，学习率为 1e-4，并在源域测试集上选最优模型用于跨域迁移。语音在训练前重采样到 16 千赫兹并零填充到 9 秒，主干使用 WavLM-Large 与 Whisper-Large v3 作为基础模型。

少样本适配的总损失由均方误差、排序对比损失与嵌入对比损失三项加权组成，权重分别为 0.5、0.2 与 0.3。嵌入对比学习的构造是先计算批次内任意样本对真实分数的绝对差，阈值设为 0.4，小于阈值为正对，大于等于阈值为负对。正对最大化嵌入余弦相似度，负对最小化余弦相似度，整体嵌入对比损失在批次内所有样本对上求平均。适配时学习率降到 5e-5，微调 15 个轮次，少样本集为每个听者 100 个样本且分数分布相对均匀。

均方误差损失 × 排序对比损失： 均方误差损失负责逐点回归预测分数与真实分数的绝对误差，排序对比损失负责保持一个批次内样本对之间预测差值与真实差值的一致性即相对排序，二者搭配的理由是只做逐点回归会忽略不同可懂度样本之间的差异结构，组合后新增的作用是在预训练阶段同时约束数值准确与排序结构，原文以加权系数 λ 整合为源域目标函数。

源域预训练 × 目标域少样本适配： 源域预训练负责在完整 CPC3 数据上学习可迁移的通用可懂度表示并选出源域测试最优模型作为迁移起点，目标域少样本适配负责在冻结语音基础模型融合与编码器后只更新适配器、嵌入模块与打分多层感知机，二者搭配的理由是遵循迁移学习范式以大源域知识弥补目标标注稀缺，组合后新增的作用是用不到 20% 目标训练样本达到接近全量目标训练的性能。

本节没有展示公式图片，因为本次没有收到公式像素且原文公式清单为空，所以只用文字复述计算目标与阈值。复现时要保留的关键超参数是预训练与适配的学习率、轮次、损失权重、对比阈值 0.4、适配器瓶颈 128 维以及音频长度与采样率。原文未报告随机种子、批次大小对结果方差的影响以及多次抽样的统计显著性，这些是明确缺项，复述时应指出而不是自行补充。

数据、划分、基线与指标条件如何对齐？

源域采用第三届 Clarity 预测挑战的 CPC3 个数据集，包含 33 位听损听者的助听器处理语音，采样率 32 千赫兹。按官方划分，15464 个样本用于预训练，7674 个样本用于测试以选择源域最优模型。目标域采用 Arehart 数据集，包含 15 位正常听力与 15 位听损听者各 540 个样本的评分，论文只取全部听损听者的 8100 个样本，采样率 22.05 千赫兹。按已有工作划分，6480 个样本来自 12 位听者作为训练集，1620 个样本来自 3 位完全未见听者作为测试集。适配时从目标训练的每个听者随机选 100 个样本，因此适配总量远小于目标训练全量。

基线包括 CPC2 冠军模型与 ZipEnhancer 加 MP-SENet，分别在域内全量、跨域零样本与跨域双片段增强条件下报告。域内全量指用全部目标训练集训练，跨域零样本指完全不用目标数据，雙片段增强指为每个听者生成与目标训练集等量的增强样本。评价指标为均方根误差与皮尔逊相关系数，前者越低越好，后者越高越好。比较时必须先对齐评估设置是域内还是跨域，再看训练策略用了多少目标标注，最后看指标方向。

复现还需注意音频预处理与模型选择条件。所有语音重采样到 16 千赫兹并补齐到 9 秒，基础模型固定为 WavLM-Large 与 Whisper-Large v3。预训练选源域测试最优的做法意味着迁移起点依赖源域划分，适配的少样本抽样与均匀分数约束意味着每次随机选择都会带来波动。论文没有报告多次抽样的均值方差，也没有报告硬件预算与训练时长，这些缺项在判断稳定性与成本时要明确标出。

主结果在相同目标测试上比出了什么，代价是什么？

主比较的问题是，在相同的 Arehart 测试集上，少样本适配能否超过跨域增强的最优水平，以及能否用更少标注达到域内全量的水平。公平条件是测试集固定为 3 位未见听者的 1620 个样本，指标方向为均方根误差越低越好、相关系数越高越好。论文报告少样本适配把增强基线的误差从 28.48 降到 26.05，把相关系数从 0.72 提高到 0.75，相对误差降低 8.5%，相对相关提高 4.2%。更值得注意的是，只用不到 20% 目标训练样本的适配结果超过了用全量目标训练集的域内模型。

下表把主结果整理为五列，阅读时先看评估设置与策略列，再看两个指标列，最后看相对改进列。

表后解释需要同时看到收益与代价。主要收益是误差与相关同时改善，且标注量大幅减少，支持适配器加对比学习学到了更具判别力的目标域表示。代价是仍需每个听者 100 个有标注样本，不是零样本部署，而且均匀分数约束在实际采集中可能增加筛选成本。未胜出项也要说明，零样本基线明显退化，双片段增强虽为跨域最优但仍落后于少样本适配，全量域内训练在标注充足时仍是参照上限。不能把 1 次抽样的最优理解为每次抽样都成立，因为论文未报告多次抽样的波动。

不同目标样本量下的趋势由下图给出，读图时注意纵轴方向与两条曲线的相对位置。

看图路径： 1. 先确认左图纵轴为 RMSE 向下越低越好、右图纵轴为 PCC 向上越高越好；2. 再对比同一 K 刻度下蓝色少样本适配与橙色联合训练两条折线的高低；3. 最后观察 K 从 0 增加到 540 时两条曲线斜率变缓并在 100 附近趋于平坦的位置

论文图 2。原论文 Figure 2：“The RMSE and PCC results on Arehart test set under different numbers of target-domain samples.”。

图 2 左面板为 Arehart 测试的均方根误差随目标样本量 K 的变化，横轴为目标域数据量取 0、25、50、100、200、540，纵轴为误差，曲线向下越好。右面板为皮尔逊相关系数随 K 的变化，曲线向上越好。蓝色为少样本适配，橙色为联合训练。可执行观察是，在 K 为 25、50、100 等中间刻度上蓝色 consistently 低于橙色的误差且高于橙色的相关，支持相同数据下适配方式更有效。在 K 等于 100 时蓝色已达到 0.75 的相关并接近全量上限，继续增加到 200 与 540 时增益变缓，误差从 26.05 经 25.80 降到 25.40，说明 100 是兼顾标注成本与性能的默认选择。像素不能精确辨别的中间小数不应硬读，具体以正文报告的 100 对应值为准。

样本量、策略与模块消融支持什么判断？

第二个实验比较少样本适配与联合训练在不同少样本量下的表现。联合训练把完整源域数据与少样本集直接合并后用图 1(a) 结构训练，少样本适配则用冻结加适配器的方式微调。论文显示在所有 K 取值下少样本适配都取得更低误差与更高相关，支持适配方式能更好地捕捉域信息并缓解域偏移。在 K 等于 100 时相关达到 0.75，误差 26.05 接近全量上限 25.40，再增加样本只有边际增益，因此选 100 为默认设置。

第三组比较把少样本量固定为每听者 100 时不同策略的结果。域内训练只用少样本集不用源知识，联合训练合并源与少样本，全量微调更新预训练模型所有层，少样本适配只更新适配器与相关模块。结果是少样本适配最优，依次优于全量微调、联合训练与纯域内训练，支持参数高效迁移加判别目标的优势。消融还去掉适配器加嵌入对比学习或去掉源预训练，发现去掉前者退化更大，说明在目标域显式建模可懂度判别信息更为关键，而两者结合最好，支持源知识与目标判别互补。

下表把样本量与上限的关系整理为五列，重点是 100 样本与全量上限的距离。

表后解释要加上限制。100 样本已达到相关的上限但误差仍与上限有约 0.65 的差距，说明相关先饱和而误差还有压缩空间。未评测的边界包括 K 小于 25 的极少样本行为、非均匀分数分布下的稳定性以及跨更多听者与声学环境的波动。论文特有的细节是适配时保持分数均匀分布与阈值 0.4 的正负划分，这些条件变化后结论是否成立属于待验证，不能推广为所有采样方式都成立。

联合训练 × 少样本适配： 联合训练负责把完整源域数据与少样本集直接合并后用图 1(a) 结构从头或继续训练，少样本适配负责先固定源模型大部分参数再用少样本集加适配器与对比损失做定向微调，二者搭配比较的理由是二者使用相同的目标样本量因而能分离出参数更新方式与目标函数的作用，组合比较新增的意义是论文显示在相同 K 下少样本适配一致取得更低 RMSE 与更高 PCC，支持显式建模可懂度判别特征更有效。

哪些结论有直接证据，哪些还只是可能？

直接报告的证据是，在 Arehart 测试集上少样本适配优于双片段增强与零样本基线，且用不到 20% 目标样本超过全量域内模型。有限解释是适配器与对比学习带来了更具判别力的表示，这一解释得到消融支持，但表示空间本身没有可视化或探针实验证据，只能说结果支持该机制，不能说已证明特征结构必然如此。未验证的推测包括在更复杂声学环境与更广泛听者上的表现，论文在结论中也只作为未来工作提出，应表述为可能或待验证。

缺失证据不是技术错误，但要明确标出。论文没有报告多次随机抽样的均值标准差与显著性检验，没有报告训练与推理的计算开销、参数量增量、输出帧率与实际延迟，也没有报告误判率或临床可用性指标。因此不能承诺该方法在每次抽样下都稳定胜出，也不能承诺延迟与成本得到改善。总体趋势不等于每组每步都成立，例如图 2 中全量上限的相关与 100 样本相同，但误差仍有差距，说明不同指标的饱和速度不同。

另一个容易误解的是相对百分比与百分点的区别。论文报告的 8.5% 误差降低与 4.2% 相关提高是相对变化，不是百分点差值。不同指标的差值不能混到同一模型列下比较，也不能把自动分数指标当成人工听音的等价替代。阅读时要把数据集、模型、阶段、指标、单位与聚合对象同时核对，数值相同不代表指标相同。

要复现这篇工作，先做什么，需要什么条件？

复现应先准备数据与划分。下载 CPC3 作为源域并按官方划分保留 15464 训练与 7674 测试，准备 Arehart 听损部分的 8100 样本并按 12 位听者 6480 训练、3 位未见听者 1620 测试划分。音频统一重采样到 16 千赫兹并零填充到 9 秒，基础模型固定为 WavLM-Large 与 Whisper-Large v3。预训练阶段用 Adam、学习率 1e-4 训练 30 轮，损失权重 λ 为 0.5，选源域测试最优模型作为迁移起点。

适配阶段从目标训练的每个听者随机选 100 个样本并尽量保持分数均匀，冻结融合模块、位置编码与编码器主体，只训练适配器、嵌入模块与打分多层感知机。适配器瓶颈设为 128 维，嵌入对比阈值设为 0.4，总损失权重设为 0.5、0.2、0.3，学习率 5e-5 微调 15 轮。评价在固定 Arehart 测试集上计算均方根误差与相关系数，注意先对齐跨域还是域内条件再比较数字。

关于可用性，本次没有发现来源绑定且完成验证的资源，因此不得声称代码、模型或数据已公开。复现前应自行确认数据集许可与下载链接当前是否可达，缺失的随机种子、批次大小、硬件预算与多次抽样方差需要自己补做记录。建议至少做 3 次不同随机种子的少样本抽样并报告均值波动，同时记录适配前后的误差与相关变化，以便判断 100 样本选择的稳定性。

何时值得尝试这种少样本适配，还需补哪项验证？

当已经有一个在源数据集上表现不错的可懂度模型，但新数据集只有少量听音分数时，这种先预训练再冻结加适配器与对比学习的方法值得尝试。它的适用条件很具体，目标样本虽少但需要覆盖不同可懂度区间，阈值与损失权重需要按论文设置起步，测试听者应与适配听者分离以检验泛化。如果目标标注完全为零，或者新环境的声学条件与源域差异极大，就不应期待同样的增益，需要先补小规模标注或先做域差异分析。

还需补的验证包括极少样本下的行为、非均匀分布下的鲁棒性、更多听者与声学环境的重复，以及计算成本与推理延迟的测量。只有补上这些，才能把当前在单一目标集上的优势推广为一般性的跨数据集能力。对刚入门的研究生而言，复述这篇工作的关键链条是，双耳融合提供表示，主干提供时序整合，适配器控制更新量，对比学习提供判别目标，少样本集提供目标校准，评价用误差越低越好、相关越高越好来闭环。

⚖️ 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