原始波形学错了什么音：把总错误率拆到音类再看时序与数据的作用

英文题目：Phonetic Error Analysis of Raw Waveform Acoustic Models

会议身份：conference:interspeech:2026:conference-paper-id:loweimi26b_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：#CNN #模型评估 #语音学与音系 #语音 #语音识别

评分：5.6/10 | 创新 1.0/2 | 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 0.8/1.5 | 开源 0.0/1.5 | 可复现 0.3/0.5 | 工程/实践 0.5/1.5

排名：前50% | 文档类型：方法研究

👥 作者与机构

• Erfan Loweimi：机构信息未能从会议 PDF 纯文本可靠映射
• Zhengjun Yue：机构信息未能从会议 PDF 纯文本可靠映射
• Andrea Carmantini：机构信息未能从会议 PDF 纯文本可靠映射
• Zoran Cvetkovic：机构信息未能从会议 PDF 纯文本可靠映射
• Steve Renals：机构信息未能从会议 PDF 纯文本可靠映射
• Peter Bell：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

该研究处理原始波形输入到音素序列输出的TIMIT音素识别，难点在于整体音素错误率（phone error rate, PER）掩盖了不同宽音素类（broad phonetic class, BPC）的误差来源与系统性混淆，难以判断误差来自前端分辨还是时序上下文建模不足。方法链由三步衔接构成：可学习卷积前端先从原始波形提取谱特征并经最大池化降采样输出帧级表征，其输出送入双向长短期记忆网络（bidirectional long short-term memory, BLSTM）建模双向时序上下文，再由全连接层接三音素和单音素双输出头完成分类与正则约束训练。相比固定梅尔滤波器组（Filterbank, FBank）前端，该路线保留相位信息并联合学习参数化滤波器与识别后端，代价是小数据下归纳偏置更弱而更依赖数据量与预训练迁移补充多样语境。在 TIMIT 测试集上 Sinc2Net 加 BLSTM 达到 15.3% 的 PER，为同期原始波形最佳，而经 WSJ 预训练迁移后 CNN 加 BLSTM 进一步降至 12.3% 并反超滤波器组基线。结论仅在英语小词表朗读音素识别及三套特定 BPC 划分下成立，未验证端到端、自监督或大词表连续语音的外推性。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，目标是什么，这篇解读要交付什么？

本文解读的对象是 1 篇在 TIMIT 上做音素识别的原始波形声学模型论文，输入是麦克风采样的原始波形序列，目标是输出音素串并用音素错误率评价。音素错误率这个词对初学者需要白话解释：它把识别串与标注串按编辑距离对齐，统计替换、删除与插入 3 类错误再除以参考音素总数，数值越低越好。论文不满足于只报一个总数，而是要回答总数由哪些宽音类贡献、哪些类之间最容易互相替换、加时序模型与加外部数据分别改变了哪一类。

宽音类就是把几十个音素按发音方式并成大类，例如塞音、摩擦音、鼻音、元音、双元音、半元音、塞擦音与静音。解读的输出是一套可核对的复述：你能说出模型从波形到输出经过了哪些模块，每个模块的输入输出是什么，训练与迁移时哪些参数被重置，实验在什么数据与基线条件下比较，以及哪些数字支持哪些判断。本文不提供代码与模型权重可用的断言，因为本次收到的证据中没有绑定并完成验证的开源资源声明。

后续各节按学习依赖展开，先讲任务与相关路线，再讲方法全景与组件计算，然后讲训练与实验条件，最后讲结果、反证与复现。

此前有哪些同输入同目标的路线？

与本文同输入同目标的路线主要有两支。第一支是普通卷积处理原始波形的端到端与混合系统，做法是用多层可学习卷积直接从波形抽特征再接声学模型，已用于音素识别、大词表识别、多通道波束形成与多尺度表示。第二支是参数化卷积路线，代表是 SincNet 与 Sinc2Net、GammaNet、GaussNet 等做法，用中心频率、带宽等少数参数决定滤波器的频响形状，例如矩形、三角、伽马通或高斯形状，以减少参数并增强可解释性。

此外还有 ParzNet 与复数 Gabor 卷积等变体，以及把参数化前端用于构音障碍语音与说话人自适应的工作。需要区分的是，滤波器组基线属于固定特征路线，输入同样是语音但目标模块只学习后端分类器，前端梅尔滤波形状不可学习。本文的对照策略是让滤波器组与原始波形共享相同的双向长短时记忆网络后端，从而把性能差异归因于前端。

另一类相关工作是宽音类分析本身，最早在滤波器组与高斯混合、深度神经网络混合系统上把替换、删除、插入按类分解并构建混淆矩阵，本文把同一套分析搬到原始波形模型，以检验可学习前端是否带来定性不同的错误分布。

为什么只看总错误率会误导改进？

举一个教学例子而非论文数据：假设系统 A 与系统 B 的总错误率都是 15%，A 把大量鼻音判成塞音，B 把大量元音判成双元音，那么只看总数会认为两者相同，但实际需要的改进完全不同，前者可能要加强鼻化与爆破闭合的区分，后者可能要加强共振峰轨迹建模。论文要解决的正是这种不可解释性。形式上它定义 3 套划分：8 类划分含塞擦音、双元音、摩擦音、鼻音、塞音、半元音、静音与元音；3 类划分含辅音、元音加双元音、静音；另一三类划分含浊音、清音与静音。

其中元音加双元音被并为一组是因为声学相似，静音包含非语音段、插入性静音、短停顿与塞音前的闭合段。总错误率被分解为各宽音类错误率之和，写作对所有类求和的形式，符号 C 表示某一划分下的全部分类集合，符号 PERc 表示归属于该类的那部分错误。这种分解不是简单按类准确率平均，而是按对齐后属于该参考类的错误计数折算，因此能与混淆矩阵配合：矩阵的行是真实类，列是识别成类，格内计数是替换次数，静音行对角线为零是因为静音类只有一个音素。

理解这套记账方式是读懂后文相对改善百分比与簇状混淆的前提。

从一个波形片段走完全流程会经过什么？

设想取 TIMIT 一句语音的原始波形片段作为样本。样本先进入一层卷积前端，可以是普通卷积，也可以是 SincNet 或 Sinc2Net 参数化卷积，输出是一组随时间变化的谱特征序列。接着该序列同时送入双向长短时记忆网络的前向与后向分支，分别从左到右与从右到左编码上下文，输出拼接成含长时依赖的表示。

再经过一层 1024 节点的全连接层增强类别可分性，最后经柔性最大化分类器产生两个输出头：1936 节点的上下文相关三音素绑定状态作为主要监督，48 节点的上下文无关单音素作为正则辅助。这种安排的理由在原文有明确分工：卷积负责谱特征抽取，双向长短时记忆网络负责时间上下文，全连接负责类别分离。宽音类与混淆矩阵不是模型模块，而是评价侧的记账工具：解码得到音素串后与参考对齐，按类统计替换、删除、插入并构建矩阵，从而把总数还原到音类来源。

宽音类 × 混淆矩阵： 宽音类分工是把 40 余个音素按发音方式与声学相似性并成 8 类、辅音与元音加静音、浊音与清音加静音 3 套划分，使替换、删除与插入可按类归因；混淆矩阵分工是统计某类被替换成另一类的次数并按行归一化以暴露系统性混淆簇；搭配理由是总错误率无法说明错在哪里，组合意义是用分解决定改进方向并用矩阵验证混淆是否源于固有语音相似性。

以下导读针对本次收到像素的模型结构图，先把握从左到右的主数据流，再看分支与输出头的分工，读图时注意颜色与模块边框的对应关系。

看图路径： 1. 先沿左侧原始波形箭头向右追踪卷积到双向长短时记忆网络再到全连接的主路径；2. 再确认双向长短时记忆网络内部前向与后向两块平行四边形的箭头方向；3. 接着看全连接之后分叉到上下文相关与上下文无关两个输出头的线条粗细差异；4. 最后核对顶部四段文字颜色与下方对应模块边框颜色的一一对应关系

论文图 1。原论文 Figure 1：“Proposed raw waveform acoustic model architecture.”。

该图从左到右依次是原始波形箭头、蓝色卷积竖条、中间紫色双向长短时记忆网络的两块平行四边形、绿色全连接竖条、右侧红色柔性最大化后的两个输出框。上方文字用蓝色标注卷积并注明参数化或非参数化可选，紫色标注双向长短时记忆网络并在块内标出前向与后向箭头，绿色标注全连接，红色标注柔性最大化。关键细节是卷积之后有两条黑箭头分别指向前向与后向分支，2 分支再汇入全连接，说明时间上下文在特征抽取之后才被双向编码。

全连接之后有一条粗黑箭头指向下方较大的上下文相关框，一条细灰箭头指向上方较小的上下文无关框，说明主次监督的权重与用途不同。这与正文一层卷积、一层全连接、双向长短时记忆网络每方向 550 节点并配丢弃与批归一化的描述一致。

卷积前端与时序后端各自算什么？

卷积前端的计算是在原始波形上做 1 维卷积，核长 129、核数 128、后接尺寸为 4 的最大池化，激活用修正线性单元并加丢弃。白话说，它用 128 个可学习的带通滤波器对短窗做匹配滤波，池化则降低帧率并增强平移不变性。SincNet 把每个滤波器约束为频域矩形，仅学中心频率与带宽；Sinc2Net 用平方 sinc 核得到三角频响，更接近梅尔滤波器组。双向长短时记忆网络的计算是对卷积输出序列做前后向递推，每方向 550 节点，配丢弃与批归一化，目标是把当前帧的表示与远处协同发音、滑音轨迹联系起来。全连接层 1024 节点再做 1 次非线性映射，使不同音素状态在特征空间更易线性分开。

原始波形建模 × 滤波器组特征： 原始波形建模指直接对采样点序列做可学习卷积来同时完成参数化与声学建模，分工是保留相位与细粒度频谱形状的学习自由度；滤波器组特征指先用固定梅尔滤波与幅度运算把波形压缩成 83 维特征，分工是提供强归纳偏置与稳定频谱包络；二者搭配比较的理由是后端双向长短时记忆网络相同因而差异可归因于前端，组合意义在于检验可学习前端在数据充足后能否反超固定流程。

参数化卷积 × 非参数化卷积： 参数化卷积指 SincNet 用中心频率与带宽决定矩形频响、Sinc2Net 用平方 sinc 核形成近似梅尔的三角频响，分工是用极少参数约束滤波器形状以提高可解释性；非参数化卷积指普通卷积核的每个抽头都可自由学习，分工是保留最大形状自由度；搭配理由是检验不同约束下时序建模与迁移增益是否一致，组合意义在于证明过渡类受益是音类属性而非某一前端的偶然现象。

双向长短时记忆网络 × 卷积前端： 卷积前端分工是在约 129 点窗与 4 倍池化内抽取局部频谱快照，只能看固定短窗；双向长短时记忆网络分工是沿前后 2 个方向编码整句多帧依赖以解决滑音与协同发音歧义；搭配理由是快照对稳态元音已够但对双元音、半元音与摩擦音的轨迹区分不足，组合意义是让前端负责谱形状、后端负责时间轨迹从而整体错误率下降且跨类混淆减少。

三者的组合机制是分层解耦：前端只看约几十毫秒的局部谱形状，解决频率选择性；后端看整句的谱演变，解决时间轨迹歧义；全连接做判别整形。这种解耦解释了后文为何双元音、半元音与摩擦音最受益于双向长短时记忆网络：它们的身份恰恰藏在多帧变化而非单帧快照中。

三套宽音类划分如何把错误记到类上？

3 套划分的映射在原文表格中有明确列出。8 类划分把 ch 与 jh 归为塞擦音，把 aw、ay、ey、ow、oy 归为双元音，把 dh、f、s、sh、th、v、z 归为摩擦音，把 m、n、ng 归为鼻音，把 b、d、dx、g、k、p、t 归为塞音，把 hh、l、r、w、y 归为半元音，把 aa、ae、ah、eh、er、ih、iy、uh、uw 归为元音，sil 单独为静音。辅音组是除元音加双元音与静音之外的全部辅音集合，浊音组包含浊辅音与全部元音类，清音组包含 ch、f、k、p、s、sh、t、th。评价时先做最小编辑距离对齐，替换错误同时贡献给真实类与识别类的混淆计数，删除错误记在真实类上，插入错误按原文的按类分解口径记账。

混淆矩阵只用替换错误构建，因此能突出系统性误判方向，例如塞音与摩擦音互换、元音与双元音及半元音互换。静音的特殊性在于类内只有一个符号，因而矩阵对角线为零，静音的错误只能表现为与其他类的混淆。掌握这套口径才能正确理解后文相对改善百分比：它是某类在加入某因素前后的类错误率相对下降量，数值越大表示该因素对该类帮助越大，而不是该类占总数的比例。

训练与迁移时参数如何更新与重置？

模型用 PyTorch-Kaldi 工具训练，损失为交叉熵，批量尺寸为 8。两个输出头同时参与训练，上下文相关头为主任务，上下文无关头为正则项。原文报告的超参数包括卷积核数 128、核长 129、池化 4、全连接 1024 节点、双向长短时记忆网络每方向 550 节点，卷积与全连接用丢弃与修正线性单元，双向长短时记忆网络用丢弃与批归一化。迁移学习的流程是先在华尔街日报语料上预训练，然后仅把倒数第二层到输出层之间的权重重新初始化并在 TIMIT 上从头训练，其余层保留预训练权重继续微调。原文未报告学习率、优化器类型、训练轮数与早停 patience 等细节，这些属于缺项，复现时需自行按工具默认或另行调参并记录。

上下文相关状态 × 上下文无关单音素： 上下文相关状态指三音素聚类后的 1936 个绑定状态输出头，分工是提供精细的上下文区分作为主要交叉熵监督；上下文无关单音素指 48 个单音素输出头，分工是提供粗粒度正则约束以防止稀有上下文过拟合；搭配理由是 TIMIT 数据有限而状态数多，组合意义是以主头学习判别力、以辅头稳定训练并改善泛化。

需要明确的是，本文有真实的神经网络训练过程，不是无训练的检索或解析任务；但迁移阶段的冻结与更新口径仅按原文写出的层间重置来理解，不从模型名称推定其他层是否冻结，也不猜测梯度是否截断。推理阶段是把测试句波形按同样前端与后端前向计算，取上下文相关头的后验做解码再与参考对齐计分。

数据、基线与指标条件是否可比？

实验主数据是 TIMIT，按其开发集与测试集报告音素错误率，指标方向为越低越好。参考滤波器组特征是 83 维，含 80 个滤波器加 3 个音高相关特征。基线包括原文引用的滤波器组最优系统以及一系列原始波形先前系统，涵盖普通卷积、SincNet、GammaNet、复数 Gabor 卷积、ParzNet、GaussNet 与 Sinc2Net 等，本文 proposed 系统是在 3 类前端后统一加双向长短时记忆网络。迁移数据是华尔街日报语料，TIMIT 有 630 个说话人而华尔街日报 SI-284 只有 284 个说话人，这一说话人多样性差异是解释元音增益小的关键条件。

比较的公平条件是滤波器组与原始波形共享相同的后端结构，从而把差异归因于前端；迁移前后的比较保持前端与后端结构不变，只改变是否经过外部预训练。聚合口径是按句解码后在开发集与测试集分别统计，宽音类分解与混淆矩阵在开发集加测试集上汇总。硬件预算、训练时长与推理延迟在原文未报告，因此不能就成本与速度做断言。

统计显著性检验方法也未报告，阅读相对改善时应注意测试集较小带来的方差，尤其是仅含两个音素的塞擦音类波动较大。

主结果：谁在什么条件下超过了谁？

比较的核心问题是在相同 TIMIT 训练条件下原始波形能否逼近滤波器组，以及在增加华尔街日报数据后可学习前端能否反超固定流程，指标方向为音素错误率越低越好。下表整理原文直接报告的总体错误率，条件分为仅用 TIMIT 训练与经华尔街日报迁移两组，数值保留原文写法。

表后解释需要同时说明收益与代价。

原文报告显示，仅用 TIMIT 训练时 Sinc2Net 加双向长短时记忆网络取得测试集 15% 点三，为当时原始波形模型中的最低值，但仍高于滤波器组最优系统的 14.1%，说明固定前端在数据有限时归纳偏置更强。经迁移后 3 个 proposed 模型全部超过滤波器组迁移系统，其中普通卷积加双向长短时记忆网络达到开发集 11.3%、测试集 12.3%，反超幅度主要来自鼻音、摩擦音与半元音的大幅下降。

未胜出项是塞擦音与静音：前者因样本极少在开发集与测试集间波动甚至出现负增益，后者在跨语料迁移中几乎无增益，提示跨库录音条件差异限制了静音建模的迁移价值。

加上时序与加上数据后，哪几类动得最多？

第二个比较问题是把总体增益还原到音类：加双向长短时记忆网络与加华尔街日报数据分别让哪些类受益，公平条件是前端固定、只切换是否加时序或是否迁移。下表用原文的相对错误率下降百分比概括，数值越大表示该因素对该类帮助越大。

表后解释要给出机制与反例。

原文报告显示，加时序后 3 类前端一致受益最大的是双元音平均约 28%、摩擦音约 19%、半元音约 18%，支持的判断是这些类的区分依赖多帧轨迹：双元音是共振峰在两个元音目标间滑动，半元音是滑音与流音的快速过渡，摩擦音需持续谱上下文区分清浊与部位。相反，稳态元音平均仅约 10%，因为单帧共振峰已能决定大半身份。

加数据后呈现约 3 比 1 的辅音与元音不对称：辅音平均约 30% 而元音加双元音仅约 10%，且在开发集、测试集与 3 类前端上稳定。原文的有限解释是鼻音的协同发音、摩擦音的上下文谱变、半元音的快速过渡都依赖多样语音环境，大语料提供更多上下文；元音身份主要由声道几何决定的共振峰决定且高度说话人相关，而华尔街日报说话人数少于 TIMIT 因而多样性增量有限。

以下导读针对本次收到像素的按类错误率柱状图，重点看迁移前后原始波形与滤波器组的反转位置。

看图路径： 1. 先按图例区分深蓝滤波器组、浅绿滤波器组迁移、橙色原始波形、红色原始波形迁移四组柱子；2. 再对比上方面板八类中鼻音、摩擦音与半元音两组橙色到红色柱子的下降幅度；3. 接着看下面板辅音与浊音组中橙色柱明显高于深蓝柱而红色柱反超的反转位置；4. 最后确认纵轴为按类折算的错误率百分比因而柱高可直接比较前端与数据量的贡献

论文图 2。原论文 Figure 3：“2”。

该图分 3 个面板：上面板为 8 类按类折算错误率，下面左为辅音与元音加双元音与静音，下面右为浊音与清音与静音。图例四色分别为滤波器组、滤波器组迁移、原始波形、原始波形迁移。可见未迁移时橙色原始波形柱在多数类上高于深蓝滤波器组柱，尤其鼻音、塞音、半元音与元音组；迁移后红色原始波形柱在鼻音、摩擦音、半元音、辅音与浊音组明显低于浅绿滤波器组迁移柱，形成反转。

元音组柱高远高于其他 8 类，说明总数的大头仍在元音，但其橙到红的下降幅度远小于辅音组，印证了辅音与元音增益不对称。静音组四柱几乎等高，说明迁移未解决静音与爆破闭合及摩擦噪声的低能量非周期混淆。

拿掉时序或换掉前端会发生什么？

消融按两个维度组织。第一是拿掉双向长短时记忆网络，只留 3 层卷积的做法与完整卷积加双向长短时记忆网络对比。原文报告显示，8 类中塞擦音无可靠增益甚至在部分前端与测试集上为负，双元音、摩擦音与半元音则在 3 类前端上一致大增；3 类划分中辅音、元音加双元音、浊音与清音在开发集与测试集上均改善，测试集方差更大符合小评测集预期。这支持时序对过渡依赖类的特异性作用，也提示塞擦音因仅有两个音素而不宜据此下结论。

第二是换前端：普通卷积、SincNet、Sinc2Net 三者在加时序与加数据后的排序基本一致，受益最大的类别集合相同，说明结论是音类属性而非某一前端的伪影。失败条件方面，塞音在 SincNet 测试集上出现约负 4.9%，静音在 Sinc2Net 测试集上出现约负 8%，塞擦音在普通卷积上出现负 10% 一到二十二，这些负值集中在小样本或跨库录音敏感类，不应推广为时序有害。

混淆结构在加时序前后保持稳定：每类的第一与第二最混淆类不变，只是总数减少且类内混淆占比从约 8% 十一升至八十二、元音类内从约 77% 升至八十，说明时序主要消除跨类混淆而非创造新模式。

哪些边界没有测，哪些推测还待验证？

原文明确报告的局限首先是数据与评测边界：全部结论基于 TIMIT 音素识别，未在大词表连续语音、噪声、远场或自监督端到端模型上验证；测试集较小导致 8 类中稀有类的相对改善波动大，塞擦音在不同前端与集合间符号反复，开发集与测试集在双元音与塞音上的差异也提醒不要把单点相对值当作精确排序。其次是混淆分析的口径局限：矩阵只用替换错误构建，删除与插入的按类行为未在矩阵中体现。

静音只有一个符号使其对角线恒为零，静音与辅音的混淆在行归一化下易被放大解读。再次是因果表述的克制：原文用声道几何、说话人依赖、录音条件来解释元音增益小与静音无增益，这些属于有限解释而非因果证明，可能但待验证，因为说话人数、语料风格与信道差异是混杂的。最后是成本缺项：训练资源、推理开销、输出帧率与延迟均未报告，不能承诺可学习前端在保持精度的同时降低成本。

总体趋势不等于每组每步成立，例如浊音类内率从约 8% 十七升至八十九而清音类内率停留在约 46%，说明时序对清音内部的区分帮助有限。

要复现这套按类记账先做什么？

复现的第一步是重建可比的基线：用相同后端与相同划分训练滤波器组 83 维系统与原始波形系统，前端分别设为普通卷积、SincNet 与 Sinc2Net，卷积取 128 核、核长 129、池化 4，全连接 1024 节点，双向长短时记忆网络每方向 550 节点并配丢弃与批归一化，损失用交叉熵加上下文无关头的正则，批量尺寸 8。

第二步是实现评价脚本：解码后做最小编辑距离对齐，分别统计替换、删除、插入并按 3 套映射归到宽音类，计算每类的相对下降百分比时注意分母是该类加因素前的类错误率，区分相对百分比与百分点的差异。第三步是迁移：先在华尔街日报上预训练，再仅重置倒数第二层到输出层之间的权重并在 TIMIT 上重训，其余层继续训练，记录随机种子与重置范围以保证可比。还需补的验证包括：在开发集上调参后只用测试集做 1 次确认以避免多重比较膨胀。

对塞擦音等小类报告原始计数而非仅报相对值；补充删除与插入的按类表格以检验替换矩阵之外的行为。由于本次证据未提供可用资源链接，不得声称代码或权重已公开，复现应以论文文字与工具默认配置为起点并完整记录缺失超参数的选择。

何时值得尝试原始波形加时序加迁移？

当任务是音素级或发音特征敏感的识别，且你怀疑错误集中在过渡与上下文依赖音上时，这套方法值得尝试：先用可学习卷积保留细粒度谱形状，再用双向长短时记忆网络编码轨迹，最后用外部大语料迁移补足上下文多样性。预期收益是双元音、摩擦音、半元音与鼻音的大幅改善，以及在数据充足后对固定滤波器组的反超；预期代价是数据需求更高，小数据下固定前端仍更稳，且元音与静音的改善有限，不应指望迁移解决说话人多样性不足与跨库信道失配。

常见的误解是把混淆簇的相似性当作前端缺陷，本文显示塞音与摩擦音互混、元音与双元音及半元音互混在滤波器组与原始波形中同样存在，且加时序与加数据后最混淆类不变，说明主导混淆源于固有语音相似性而非特征选择。另一个误解是把末步总体最优推广为全程最优，实际上不同前端的最优测试点不同，Sinc2Net 在仅用 TIMIT 时最低而普通卷积在迁移后最低，应按部署时是否有外部数据来选前端。

下一步自然延伸是把同样的按类分解与混淆分析搬到端到端与自监督模型，并加入删除、插入与延迟、成本的联合记账。

⚖️ 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