不用频谱看声调：用耳蜗模型把基频起伏冻成可比对的图像

英文题目：Real-Time CARFAC/SAI-derived Pitchogram for Seeing and Correcting Pronunciation in Mandarin Chinese Tones

会议身份：conference:interspeech:2026:conference-paper-id:maruyama26_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：#教育 #时频分析 #语言习得 #实时处理 #音频分类

评分：4.3/10 | 创新 1.0/2 | 技术严谨 1.0/1.5 | 实验充分 0.2/1.5 | 清晰度 0.7/1 | 影响力 0.6/1.5 | 开源 0.0/1.5 | 可复现 0.1/0.5 | 工程/实践 0.7/1.5

排名：后50% | 文档类型：系统技术报告

👥 作者与机构

• Yuka Maruyama：机构信息未能从会议 PDF 纯文本可靠映射
• Jason Orlosky：机构信息未能从会议 PDF 纯文本可靠映射
• Chris Lee：机构信息未能从会议 PDF 纯文本可靠映射
• Flora Salim：机构信息未能从会议 PDF 纯文本可靠映射
• Thad Starner：机构信息未能从会议 PDF 纯文本可靠映射
• Benjamin Tag：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

普通话二语学习者需将连续语音中快速变化的基频轨迹映射到四声范畴并稳定产出对应调型，系统以学习者麦克风语音与合成参考语音为输入，输出可并排比对的音高图反馈，但美尔语谱图时间精细结构变化迅速，新手难以实时解读。方法链第一步由级联非对称谐振与快作用压缩模拟耳蜗频率分析，对输入语音分帧处理得到多通道耳蜗响应。第二步将多通道输出送入稳定听觉图像阶段按周期触发对齐，把快速变化的时间精细结构解调为随滞后缓慢变化的稳定周期表示。第三步由稳定周期表示提炼出音高随时间变化的音高图，并送入辨音与产出双原型分别承担听参考选声调与跟读对照调型。相对已有美尔语谱图经短时傅里叶变换与滤波压缩得到时频表示，上述链路以听觉周期稳定机制保留周期结构，使调型轮廓更缓慢直观，支撑无校准实时自学。原文未提供可核对的关键定量结果。该结论适用边界受限于汉语水平考试1级和2级22词演示词表与现场演示条件，尚未验证更大词表与自然课堂的外推效果。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，本文交付了什么？

本文的输入是学习者朗读普通话词语时的麦克风语音，以及同一词语由合成语音或母语者录音提供的参考音频。目标是让没有声调母语经验的初学者能够看见自己发出的声调走向，并与标准走向做直接比较，从而自己发现并纠正声调错误。必须保留的关键信息是：研究对象是 4 个传统声调，不包括轻声的专门训练；可视化不是传统语谱图，而是由听觉模型导出的基频图；系统是实时双屏对照加感知与产出两个练习原型。

运行条件是命令行启动、无需校准；默认词表受限且参考音频来自谷歌文本转语音。本文的输出是 1 篇可复述的解读：讲清为什么语谱图对新手困难，基频图如何生成，两个原型如何组织 1 次练习，以及在什么条件下可以复现该演示，又缺少哪些效果证据。 初学者常把声调理解为音高符号，但实际语音中的音高是连续变化的曲线。高平声要求整体保持高而平，升调要求明显上扬，降升调要求先降后升，降调要求快速下降。

非声调语言背景的学习者困难在于听不出细微走向差异，更难把自己发出的走向与目标走向对应起来。可视化辅助发音训练的思路是把听觉差异变成视觉差异，让学习者用眼睛辅助耳朵。传统做法是用语谱图显示时频能量，但语谱图中的时间细结构变化很快，新手在实时跟读时很难抓住哪一条亮带对应声调。

语谱图 × 基频图： 语谱图负责把短时频谱能量按时间频率展开，分工是显示共振峰和宽带能量；基频图 pitchogram 负责把周期性对应的时滞结构稳定化后显示，分工是突出声调轮廓；搭配理由是初学者需要的是缓慢变化的声调形状而非快速抖动的时间细结构，组合意义是用更稳定的周期表示替代快速变化的频谱表示来做实时视觉反馈。

本文选择不训练新的声调分类器，也不做自动评分，而是做一个演示型系统：提供稳定的视觉目标和实时的自我图像，让学习者在自学场景下完成感知和产出练习。理解这一点很重要，后文所有关于参数、词表和界面的细节都是为了支撑可运行的演示流程，而不是为了证明某种识别准确率。若把本文误读为提出新识别模型，就会去找训练曲线和测试集，这与原文证据不符。

已有路线用什么显示声调，各自卡在哪里？

按同输入、同目标、同运行阶段来对照，本文涉及 3 条有源路线。第一条是基于语谱图的发音训练显示。原文指出这类系统常用语谱图特别是梅尔语谱图，因为它经过梅尔滤波器组和对数压缩，更接近人耳对频率的感知，做法是把输入音频切成短帧，做快速傅里叶变换，再过梅尔滤波与压缩得到时频表示。这条路线与本文输入相同，都是学习者语音，目标相同，都是辅助声调感知与纠正，运行阶段也相同，都是实时或近实时练习。

其卡点在原文有明确表述：时间细结构快速变化，初学者或无经验学习者难以实时解读。这不是说语谱图无用，而是在实时自学场景下对新手不友好。 第二条是听觉稳定成像路线。原文引用稳定听觉图像的动机是把时间细结构解调并稳定为随时间缓慢变化的时滞函数。与梅尔语谱图相比，它对周期结构给出更稳定的表示，因此被认为适合做声调学习的视觉反馈基础。

这条路线与本文目标一致，但原文不是复述该理论，而是把它作为生成基频图的上游环节。第 3 条是耳蜗计算模型路线，即级联非对称谐振器加快速压缩。原文把它描述为近似耳蜗处理的生物启发听觉模型，并说明实现采用谷歌的 CARFAC 框架。这条路线负责外周频率分解，与稳定成像形成前后级关系。

本文与上述路线的区别在于组合与落地：不是单独使用梅尔语谱图，也不是只讨论稳定成像理论，而是把耳蜗滤波与稳定成像的组合输出进一步压缩为基频图，并把它嵌入包含参考图、实时图、感知判断和产出模仿的完整练习回路。原文还提到用普拉特等工具做声调反馈的已有教学实践，但本文的演示把重点放在实时性和直观比较上。

需要保留的边界是：原文没有给出新老可视化在同一批学习者上的对照实验数据，因此不能把类别差异说成同条件胜负，只能说原文报告了设计动机和演示形态。

要解决的具体困难是什么，不解决什么？

具体困难可以分解为 3 个可操作的环节。第一，听辨环节：学习者听到一个双音节词时，难以把每个音节的音高走向映射到一声、二声、三声、四声的类别上。第二，产出环节：学习者自己朗读时，听不到自己声调与目标的细微偏差，或者听到偏差也不知道如何调整声带动作。第三，实时对照环节：即使有语谱图，图像变化太快，学习者一边说一边看时抓不住关键轮廓。

本文要解决的是第 3 个环节带动前两个环节，即提供一种变化更慢、轮廓更突出的图像，让学习者只看基频图就能直观认出并纠正自己的声调产出错误。 本文不解决的问题同样明确。它不做自动声调识别与打分，不给出学习增益的前后测，不处理轻声的专门教学，不扩展到连续语流和大词表。默认词表限定在初级汉语水平考试 1 级和 2 级范围内的少量词语，目的是保证演示可控。

参考音频用现成合成语音生成，而不是现场合成可任意扩展的词汇，这意味着词汇扩展需要人工准备音频与声调编号信息。把这些不解决的部分说清楚，才能正确理解后文的系统只是一个原型演示，而非已验证有效的教学产品。

只看基频图练声调的一次完整走通是什么样？

沿着一个样本走完全程有助于建立整体依赖。假设练习词是一个双音节词，系统事先准备好该词的参考音频、正确的声调编号以及由该参考音频生成的参考基频图。学习者先在感知原型中点击播放，听到参考音频的同时看到参考基频图，然后用屏幕按钮或数字键选择听到的声调。对于双音节词需要做出 2 次选择，系统用颜色指示对错，学习者必须先辨认出可视化中显示的声调才能进入下一题。这个环节训练的是从听觉加视觉到类别的映射。

接着学习者切换到产出原型。右侧屏幕显示同一词的参考基频图并可再次播放参考音频，左侧屏幕通过浏览器工具实时显示学习者自己说话的基频图。学习者跟读该词，左右两幅图的声调轮廓并排呈现。如果左侧自发图的走向与右侧参考图明显不同，例如应为上升却走成平直，学习者可以直接看到差异并再次尝试，直到形状接近。这个环节训练的是从发音动作到视觉形状的校正。

整个过程不需要教师在场，也不需要校准麦克风之外的设备，单键即可在感知与产出之间切换。 下面这张图把上述依赖中的视觉核心与生成路径放在一起，是理解全文方法全景的关键。它上半部分给出 4 个声调的基频图外观，下半部分给出从输入声音到基频图的 5 个处理阶段，阅读时应先建立声调形状差异的直觉，再把形状差异追溯到流水线的稳定化作用。

看图路径： 1. 先看上面一行四个声调小图的分组标注：高平、上升、降升、下降各占一列；2. 再看下面一行从左到右的五个方框箭头，确认输入声音到基频图的单向主路径；3. 对比四个声调纹理的走向差异，体会稳定化后轮廓比原始频谱更易并排比较；4. 注意中间 SAI 形成与帧压缩两个环节，它们是把快速抖动变慢的关键位置

论文图 1。原论文 Figure 1：“1”。

该图的上半部分并排展示了高平、上升、降升、下降 4 个类别的基频图纹理，目的是让读者确认不同声调在稳定化后仍保留可区分的走向，而不是被平均成相同的色块。下半部分的流程从输入声音出发，依次经过耳蜗滤波器组处理、稳定听觉图像形成、稳定图像帧压缩，最终得到基频图。这个顺序不能颠倒：先做外周频率分解，再做周期对齐与稳定，最后做帧级降维以便实时显示。结合正文来看，该图是后文双屏对照的视觉基础，左右比较是否有效取决于这一步是否把快速抖动压住而把声调走向留下。

基频图由哪几个计算部件组成，各自算什么？

第一个部件是耳蜗滤波器组处理。它的输入是原始语音波形，输出是多个频率通道的滤波后信号。白话说，它模仿耳蜗把声音按频率分开，并带有快速压缩以适应不同响度。原文将其归为生物启发的听觉模型，并指明实现基于谷歌的 CARFAC 框架。第二个部件是稳定听觉图像形成。

它的输入是各通道的滤波输出，输出是按周期对齐后的时滞图像。白话说，它不再显示每一时刻的快速振动，而是把振动按周期折叠对齐，让周期性结构在时间轴上缓慢变化。原文强调这一步是把时间细结构解调并稳定为时滞的缓慢函数，这正是与梅尔语谱图的本质区别。第 3 个部件是稳定图像帧的压缩与降维。它的输入是连续的稳定图像帧，输出是适合屏幕实时滚动显示的基频图。

白话说，它把高维图像压成更窄的表示，只保留足以区分声调走向的信息，以便在浏览器端流畅显示。

CARFAC × SAI： CARFAC 负责近似耳蜗处理，做非对称谐振器级联加快速压缩的滤波器组分解；SAI 负责把各通道的时间细结构按周期对齐并稳定为随时间缓慢变化的时滞函数；搭配理由是先有听觉外周的频率分解再做周期稳定，才能既保留音高周期又抑制快速抖动，组合意义是得到随时间可读的声调图像而非原始波形或瞬时频谱。

第 4 个部件是参考侧的离线准备。它的输入是文本词语，输出是参考音频及其对应的参考基频图。原文说明参考音频用谷歌文本转语音生成，学习者也可以用母语者录音替代，但无论哪种来源，都需要人工配上声调编号信息并生成对应的参考图，才能进入练习。这意味着参考图与参考音频是同源配对的，不能混用不同说话人的音频与图像去做精细比较，否则音色与语速差异会干扰对声调形状的判断。

参考音频 × 参考基频图： 参考音频负责提供可听的标准声调模板，由谷歌文本转语音合成或母语者录音提供；参考基频图负责提供可见的标准声调模板，由同一参考音频经相同流水线生成；搭配理由是只听难对齐音高走向，只看难确认听感对应，二者同源才能让学习者把听到的起伏与看到的形状对应起来，组合意义是每次练习都有听觉目标与视觉目标双锚点。

需要指出的缺项是：原文没有给出滤波器通道数、中心频率范围、时滞窗长、压缩比、帧率等关键超参数，也没有给出浏览器端基频图的具体分辨率与颜色映射。这些缺项不影响理解流水线顺序，但会影响精确复现图像外观。若要复刻研究，应先用默认工具跑通，再通过对照同一参考音频的输出形状来反推显示参数，而不是从模型名称推定参数。

没有模型训练时，系统实际在计算和判断什么？

本研究没有训练神经网络，也没有优化声调分类器，因此不存在训练集、验证集、梯度路径、参数冻结与更新、损失函数与早停等概念。该节的教学任务是讲清在无训练条件下，系统靠什么完成 1 次可运行的练习。真实的计算过程分为两条路径。离线准备路径是规则与调用过程：人工选定词语并标注声调编号，调用文本转语音接口合成参考音频，再把参考音频送入听觉流水线生成参考基频图并与题号绑定。

在线交互路径是信号处理加界面逻辑：麦克风以固定采样率采集语音，按固定帧长切帧，逐帧送入耳蜗滤波与稳定成像得到实时基频图并滚动显示；感知原型中的判断逻辑只是比较学习者按键选择的声调编号与预存答案是否一致，用颜色提示对错，不涉及模型推理。

声调感知 × 声调产出： 声调感知负责听参考音频并看参考基频图后判断声调类别，分工是建立听觉到类别的映射；声调产出负责听参考后自己朗读并用实时基频图与参考图做并排比较，分工是建立发音动作到视觉轮廓的校正回路；搭配理由是原文认为感知与产出紧密关联需在同一会话内切换练习，组合意义是一个按键在两个原型间切换形成看听辨与说看比的闭环。

下面这张图是理解无训练交互流程的最直接证据，它展示了两个原型的界面布局与操作控件，而不是模型结构。阅读时应把注意力放在任务流与按钮功能上，确认感知与产出如何共用同一套词表与参考图。

看图路径： 1. 先看上方面板中部的 Identify the tone(s) 与四个带小图的声调按钮；2. 再看上方面板下部的播放、下一题与切换到产出模式三个按钮的位置关系；3. 对比下面板左右分屏：左侧实时基频图与右侧参考图加 Speak the word 任务；4. 观察上下两面板顶部的题号进度条，确认感知与产出共用同一套词表顺序

论文图 2。原论文 Figure 2：“(A) Tone perception prototype; (B) tone produc- tion prototype with a dual-screen interface (left:”。

该图上半部分是感知原型：顶部是参考基频图的显示条，中部是辨认声调的 4 个选项，每个选项旁附有该声调的示例小图，下部有播放、下一题和切换到产出模式的按钮，并显示作答正确与否及词语汉字。下半部分是产出原型：左侧是实时基频图的滚动显示，右侧是参考图显示加朗读任务，同样有播放、下一题和切换回感知模式的按钮。这种布局把 1 次练习拆成可单键操作的步骤，学习者不用配置音频参数即可在听辨与跟读之间往返。

结合正文可知，所谓双屏可以是物理双屏或同一窗口的左右分栏，关键是实时自我图像与参考图像同时可见，形成可直接比较的视觉回路。 必须纠正一个常见误解：没有训练不等于系统输出是确定性的。实时基频图的形状仍受麦克风距离、环境噪声、说话语速与音量影响，同一学习者多次朗读会得到有抖动的图像。原文未报告在不同噪声与设备下图像稳定性的测量，因此不能承诺该系统在任意教室环境下都同样清晰。

演示条件如何固定，哪些量可以直接核对？

按数据、协议、输入格式与运行环境来交代实验条件。数据方面，默认词表限定为初级汉语水平考试 1 级和 2 级范围内的 22 个普通话词语，用于演示。协议方面，感知任务要求学习者边听参考音频边看参考基频图，然后选择声调类别，双音节词需做 2 次选择，答对才能进入下一题；产出任务要求学习者先听看参考，再朗读并对比实时图与参考图。输入格式方面，音频以固定采样率采集并按固定样点数分帧，这是保证实时流水线与显示帧率对齐的基础。

运行环境方面，系统从命令行在视窗系统上启动，无需安装之外的配置与校准，实时显示借助浏览器端的基频图演示工具，参考音频来自云端文本转语音。 下表把可直接核对的运行条件整理成并排比较，阅读重点是采样与分帧、原型数量与词表规模这 3 组量的对应关系，而不是把它们当成性能指标。

表后需要明确该表的性质与限制。该表整理的是可运行性条件，不是效果比较。

它的价值在于复现时可以直接照抄：同样的采样率与帧长才能得到相似的时间分辨率，同样的双原型结构才能复现感知与产出的切换，同样的受限词表才能控制演示时长。它的代价是未包含任何学习增益指标，也没有与语谱图基线的同条件对照，因此不能从该表读出基频图更好。未胜出的项在这里体现为缺席项：轻声未纳入训练目标，大词表自动扩展未实现，噪声鲁棒性与延迟未测量，这些都是原文明确留给未来工作的部分。

论文实际报告了什么，哪些属于演示而非效果证明？

按测什么、与谁比、条件是否一致、指标方向来组织。原文实际报告的是系统建成并可运行：双屏界面能同时显示实时基频图与参考基频图，感知原型能即时反馈判断对错，产出原型能并排比较自我轮廓与参考轮廓，4 个声调的基频图在视觉上可区分。它没有报告学习者在练前练后的声调准确率变化，没有报告基频图组与语谱图组在同批学习者上的对照差异，没有报告判断正确率、反应时、重读次数等任何定量指标。

因此，凡是关于有效、显著提升、更快学会的表述都应理解为设计动机与可能性探讨，而非已验证的结论。 下表把任务类型与可观察的演示现象对应起来，帮助初学者区分直接报告与待验证推测，表中不含准确率数字是因为原文未提供。

表后解释主要收获与具体代价。

收获是得到一个可复现的实时回路：输入、表示、任务、反馈四者闭环，且 4 个声调的视觉差异在同一流水线下是稳定的，这为后续做对照实验提供了可用的原型。代价是证据等级低：没有基线、没有被试、没有统计，无法回答基频图是否比语谱图更易学，也无法回答学习者能否只看基频图就纠正错误。原文结论的措辞是提示基频图反馈可能成为有价值的组成部分，并把自动扩展词表、加入文本反馈、扩展到其他声调语言列为未来工作，这与演示定位是一致的。

若拿掉关键环节，系统会失去什么？

原文没有做消融实验，因此本节只能按机制推理并明确标注为待验证，不能写成已测量的下降幅度。第一个可推理的环节是稳定成像。若拿掉稳定成像而只保留耳蜗滤波或只用语谱图，预期失去的是时间轴上的稳定性，图像会恢复快速抖动，新手在实时跟读时更难抓住声调走向。但原文未测量这种难度差异，也没有给出可比的阅读时间或判断正确率，因此这只是动机层面的支持，不是反证。第二个可推理的环节是参考图。

若拿掉参考基频图而只保留实时自我图像，学习者将失去视觉锚点，只能凭记忆想象目标形状，比较任务不再成立。第 3 个可推理的环节是双屏并排。若改为先后呈现而非同时呈现，学习者需要依赖短时记忆做跨时比较，对初学者负担更大。 另一个值得讨论的失败条件是输入偏离演示假设。例如语速过快或过慢会改变轮廓在时间轴上的伸缩，环境噪声会污染周期结构，麦克风过远会导致弱信号被压缩环节放大噪声。

这些条件下实时图的形状可能与参考图对不齐，学习者可能把对齐误差误读为声调错误。原文未评测这些边界，也未给出信噪比、语速范围或音量归一化的处理，因此复现时应先在安静环境、正常语速、近距离拾音下验证，再逐步测试边界。若未来补做消融，至少需要固定同一批词语与同一批学习者，比较有无稳定成像、有无参考图、有无并排显示 3 种条件下的声调判断正确率与产出模仿接近度，并报告个体差异。

边界与缺项有哪些，为什么不是技术错误？

缺失证据不是技术错误，而是演示阶段的正常边界。第一，效果证据缺席。原文未报告被试数量、分组、练习时长、前后测指标与统计方法，因此不能得出基频图提升声调水平的因果结论，只能说系统可运行且视觉上可区分。第二，参数与实现细节缺席。通道数、时滞范围、帧压缩方式、显示分辨率、颜色映射、端到端延迟均未报告，这意味着他人复现时外观可能不一致，但流水线顺序仍可复现。

第三，词汇与语言覆盖缺席。默认仅 22 词且依赖人工准备声调编号与参考音频，自动扩展词表未实现；轻声未纳入训练，其他声调语言仅作为展望提出。第四，成本与部署测量缺席。训练资源不适用，因为无训练。

但推理开销、浏览器端帧率、实际延迟、不同设备的兼容性均未测量，不能承诺实时性在所有机器上成立。 相关性不等于因果需要特别强调。即使学习者在使用系统后发音变好，也可能是因为反复听参考音频、得到教师指导或单纯练习量增加，而不一定是基频图本身的作用。要分离出可视化的贡献，必须做控制参考音频暴露量与练习量的对照实验，而原文没有做。

此外，总体趋势不等于每组都成立：即使平均上基频图更直观，也可能对某些声调对比或某些母语背景的学习者无效。保留这些边界恰恰是为了让后续研究知道还需补哪项验证，而不是把演示当成定论。

要复现这个演示，先做什么，再核对什么？

复现应从可运行链路开始，而不是从调参开始。第一步准备环境与工具：按原文指引获取谷歌 CARFAC 框架与浏览器端基频图演示工具，准备视窗系统的命令行启动方式，并确认麦克风可用。第二步准备参考材料：选定初级水平的少量词语，为每个词标注正确的声调编号，用文本转语音合成参考音频，再把参考音频送入同一流水线生成参考基频图并与题号绑定。

第三步按固定输入格式联调：确认采集为 16 kHz、分帧为 450 样点，观察实时图是否随说话滚动显示，确认感知原型的播放、选择、颜色反馈与下一题逻辑是否正常，确认产出原型的左右并排与单键切换是否正常。第四步做小规模可用性走查：请一两名初学者在安静环境下完成听辨与跟读，记录他们能否说出左右差异在哪里，而不是记录准确率。 关于开源与可达状态必须如实表述。

本次收到的证据中没有完成超文本传输安全协议状态验证的资源绑定，因此不得声称代码、模型或数据已公开或当前可用。原文正文中提到了框架与工具的链接，但本次解读不能据此断言链接当前可达，只能建议读者按原文脚注自行核对可达性。若链接不可达，复现的替代路径是用其他耳蜗滤波加周期稳定化的实现复刻流水线顺序，但此时得到的图像外观不应声称为与原文完全一致。

保留关键超参数与信息条件的做法是：凡原文明确给出的采样率、帧长、词表规模、双原型结构照抄；凡原文未给出的通道与时滞参数如实记录为缺项，并在复现报告中说明所用默认值。

何时值得尝试这种可视化，下一步最该验证什么？

当教学场景满足 3 个条件时值得尝试该思路。第一，学习者是初学者且对语谱图感到困难，需要更缓慢、更突出轮廓的视觉辅助。第二，练习形式是自学或课堂辅助，需要无需校准、单键操作、即时可见的反馈回路。第三，目标集中在 4 个普通话声调的听辨与模仿，且词表可控，不追求连续语流与大词表覆盖。在这些条件下，基频图的价值在于把周期结构稳定化后做并排比较，降低实时解读负担，而不是替代听觉训练或教师指导。

下一步最该补的验证是小样本对照实验。固定同一套 22 词或等价词表，让两组水平相当的初学者分别用基频图与梅尔语谱图练习相同时间，控制参考音频暴露量一致，测量声调听辨正确率与产出声调的可懂度变化，并报告个体差异与失败案例。其次应补延迟与鲁棒性测量：在不同噪声、语速、设备下记录实时图的可用性与端到端延迟，明确适用边界。

最后再考虑自动扩展词表与文本反馈：先实现文本到参考音频再到参考图的自动流水线，减少人工标注，再引入明确的纠错提示，而不是让学习者只靠形状猜测调整方法。回到中心判断：本文的贡献是给出一个可运行的听觉模型驱动的可视化原型与双任务练习回路，其效果仍是可能与待验证，复现时应先复刻链路，再补对照，才能把演示变成证据。

⚖️ 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