不听懂词也能数口吃：用相似度图搬运重复结构

英文题目：Evaluating Zero-Shot Cross-Lingual Stuttering Detection Based on Self-Attention Weights of Temporal Acoustic Vector Sequence

会议身份：conference:interspeech:2026:conference-paper-id:miyahara26_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：#注意力机制 #跨语言 #零样本 #病理语音评估

评分：6.1/10 | 创新 1.3/2 | 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 0.0/1.5 | 可复现 0.1/0.5 | 工程/实践 0.7/1.5

排名：前50% | 文档类型：方法研究

👥 作者与机构

• Genzo Miyahara：机构信息未能从会议 PDF 纯文本可靠映射
• Tsuneo Kato：机构信息未能从会议 PDF 纯文本可靠映射
• Akihiro Tamura：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

口吃事件检测需从连续语音中同时判定无障碍语音与阻塞、感叹词、延长、音重复、词重复共6个非互斥标签，难点在于部分类别声学变异大且低资源语言缺乏标注。第一步冻结语音编码器，仅将其作为特征提取器输出保留时序的声学向量序列而不更新参数，为后续跨时刻比较提供多层表征基础。第二步对同层任意两时刻向量计算归一化内积得到时序声学向量序列自注意力权重矩阵，将绝对取值转化为时刻间相对相似结构，其行列均对应原始时间轴。第三步将24层矩阵堆叠为多通道二维图像送入改造的VGG-19，由交替卷积与池化从局部到全局捕捉重复与延长结构并完成多标签分类，训练时仅更新分类器。与直接池化编码器绝对表征的方法不同，该方法比较跨时刻相对相似结构，对语言相关音色细节依赖更低。零样本跨语言评测中，中文AS-70加英文SEP-28k联合训练、在德语KSoF测试的Whisper编码器版本在词重复上达到F1值0.40，超过同期最优检索增强模型StutterFuse的0.20，并在感叹词上达到0.69超过其0.62，但在阻塞、延长、音重复上落后约0.10至0.23。结论仅在3秒短片段分类和英德中3个语料、5种语言组合上验证，摘要中77-98%单语水平的说法依赖跨表相对值，长时定位、阻塞弱声学建模及更多语系外推尚未证明。原文未披露训练推理成本与阈值策略。

🔗 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：要为研究生讲清的任务与产出

这篇解读的输入是论文正文证据与一张官方原图像素，目标是让刚进入语音领域的读者能复述方法与实验条件。凡是涉及数字、条件与结论都回到原文核对，不引入外部评价。

必须保留的信息包括任务定义、5 类口吃标签、自注意力权重特征的构造、冻结与训练的边界、三语料的划分与时长、单语上界与零样本迁移的对照，以及与已有模型的比较口径。输出是 1 篇按学习依赖展开的中文技术解读。

口吃事件检测要解决的是临床与工程中的计数问题。用白话说，医生判断口吃严重程度需要数至少 200 个音节里出现多少次口吃以及属于哪一种，人工听写非常耗时。自动检测希望把这件事变成机器可重复的标注。

论文把症状统一成 5 类常见不流利类型，先用中文说清楚再给英文：音重复、词重复、声音延长、阻塞、填充词感叹词，再加一个无不流利类别。所谓音重复就是单个音素的反复，词重复是整个词的反复，延长是音被拉长，阻塞是气流或发声突然卡住，感叹词是嗯啊这类填充。

检测被做成非互斥的多标签问题，也就是一段 3 秒左右的音频可以同时带有多个标签。评价时对 6 个标签分别算精确率、召回率与调和平均数。精确率回答报出来的有多少是对的，召回率回答该报的有多少被找回，调和平均数即 F1 同时考虑两者，数值越大越好。

为什么跨语言在这里特别难。不同语言的音素库存、词汇切分和填充词习惯不同，有些类型的声学实现因人因语言差异很大。如果模型直接记住英语的嗯和中文的填充音，就搬不到德语。论文的判断是，重复和延长本身是一种结构，不管说的是哪个词，只要把相似声音在时间上的复现抽出来，就有可能降低对具体语言的依赖。这就是后文自注意力权重特征要承担的职责。

已有路线走到哪里：语料与模型对照

在理解新方法前，先把同输入同目标的工作摆齐，避免把类别差异当成同条件胜负。输入都是口吃语音片段，目标都是多标签口吃事件检测，运行阶段都是离线分类，但监督来源与特征聚合方式不同。

语料侧的进展是数据量从小到大的过程。英语 SEP-28k 来自口吃主题播客，中文 AS-70 来自自发对话与朗读指令，德语 KSoF 来自自发、电话与朗读并与流畅性重塑治疗相关。论文报告三者都标注了相同的 5 类加正常，且划分都是说话人开放。

即测试说话人不出现在训练中，同时在症状分布与性别上做了平衡。这意味着单语结果已经是说话人无关的，跨语言结果不会混入说话人记忆的红利。初学者要记住，说话人开放是公平比较的前提，否则高分可能是记住了人而不是学会了口吃。

模型侧此前走的是大数据加深层表示路线。早期是卷积网络，后来转向多层 Transformer 表示。代表性做法包括把 wav2vec 2.0 最后一层输出做键和值、时间平均做查询再加注意力机制的做法，以及把骨干换成 Whisper 以利用多语言弱监督表示并聚合全部编码器层的做法。

还有工作在训练中加入中文语料，发现对英德之间以及含中文时都有提升，以及用英语症状向量库做检索增强分类的做法。论文把这些工作定位为数据饥渴，在无资源或低资源语言上难以直接套用。因此把考察重点放在零样本跨语言迁移，即源语言训练、目标语言直接评估。

问题如何形式化：一个样本走完全程

为了不迷失在模块名里，先沿一个样本走完输入到输出。下面是教学例子，不代表论文的真实数值：假设输入是一段 3 秒英语剪辑，人工标注为含有词重复。机器先把它切成按时间排列的声学向量序列，每个向量对应一个短窗。

接着对任意两个时刻算向量内积并做归一化，得到一张行列都是时间的方阵，矩阵元素越大说明那两个时刻声音越像。然后把多层 Transformer 每一层都这样算一张图，堆成多通道图像。最后把这张图送入图像分类器，输出 6 个标签各自的概率，超过阈值就判为存在。

这个走通揭示了关键假设。词重复会在矩阵上形成偏离对角线的方形高相似块，延长会在对角线附近形成加粗条带，阻塞可能表现为能量或相似度的异常中断。分类器不需要先识别出具体单词，只要识别出块和条带的形状。

风险也在这里：如果填充词本身在不同语言中发音完全不同，或者阻塞在图上没有稳定纹理，模型就可能漏检或误检。这正是后文单语与跨语言、声学主导与语言依赖两组对照要回答的。先记住形状可迁移但阈值可能记住源语言，后文数字会验证这句话。

方法全景：从波形到标签的三步与冻结边界

论文的方法可以概括为 3 步。第一步是用冻结的语音编码器抽取时间声学向量序列，候选包括源语言语音识别微调过的 wav2vec 2.0、多语言自监督的 xlsr-53 和 Whisper 编码器，三者都有 24 层 Transformer 编码器层。

第二步是按层计算自注意力权重特征，得到多层 2 维相似度图。第 3 步是用可训练的 VGG-19 做图像识别，输出多标签预测。训练时只有分类模型被训练，用于抽取特征的 Transformer 保持冻结，这意味着梯度只更新 VGG 侧，不回传到语音前端。

下面这张概念图是理解零样本搬家的总览，阅读时先看整体分栏再看虚线框的含义，左侧是训练右侧是评估，中间箭头是搬运方向。

看图路径： 1. 先看最下一行三个语料圆柱：左侧训练侧并列放中文与英文，右侧评估侧只放德文；2. 再看中间相似度图行向上箭头：每个语料都先变成红蓝方块状相似度图再进入黄色梯形；3. 再看虚线框内检测模型：左侧火焰标可训练，右侧雪花标冻结，中间蓝色箭头表示整体搬运

论文图 1。原论文 Figure 1：“Conceptual diagram of zero-shot cross-lingual evalu- ation: Training is performed on source language, and evalua- tion is conducted on target language.”。

这张图左右分栏含义明确，像素细节支持上面的 3 步划分。左侧是高资源语言训练侧，下方圆柱并列放中文 AS-70 与英文 SEP-28k，每个语料向上箭头都生成一组红蓝相似度小图，中间黄色梯形是 VGG-19，上方绿色池化加蓝色线性层构成检测头，火焰图标标注为可训练，最上方是 5 类加填充词的分类标签。

右侧是低资源语言评估侧，下方只有一个德语 KSoF 圆柱，同样向上生成相似度图并送入同样的 VGG 结构，但雪花图标标注为冻结，标签空间与左侧一致，中间蓝色箭头表示把左侧训好的整套检测模型直接搬到右侧。可以看到，搬运的不是语音前端的权重，而是基于相似度图的分类器，这正是降低语言依赖的设计意图。

自注意力权重特征 × VGG-19 图像识别： 自注意力权重特征负责把 1 维时序变成行列都是时间的 2 维相似度图，对角线附近条带对应延长，偏离对角线方块对应重复，VGG-19 图像识别负责用交替卷积和池化从局部纹理看到全局布局，前者把听的问题变成看的问题，后者提供现成的多尺度纹理分类器，组合后口吃检测就变成在这张图上做多标签分类。

原图把声学向量到相似度图的箭头画成自下而上，把模型搬运画成自左向右，初学者应先沿自下而上看单样本的表示过程，再沿自左向右看跨语言的评估过程。下一节将展开相似度矩阵的具体算式与多层堆叠方式。

核心组件一：相似度矩阵如何算出重复与延长

先把符号讲清再讲计算目标。记第 i 个窗的声学向量为列向量，维度为声学维度，序列长度为帧数，把所有向量按行堆成矩阵，行为时间，列为特征。论文给出的计算是把该矩阵乘以自己的转置再除以维度的平方根，得到方阵。

元素位置的行列分别对应两个时刻，数值是那两个时刻向量的内积，内积越大说明方向越一致，即声音越像。除以维度平方根是为了让数值规模不随维度爆炸，这与 Transformer 中缩放点积注意力的思想一致，但这里没有查询键值的线性变换，也没有后续的加权求和，只是把相似度本身当作特征。

时间声学向量序列 × 自注意力权重特征： 时间声学向量序列负责把每一短窗语音变成携带音色音素信息的向量并按时间排好，自注意力权重特征负责把任意两时刻向量的内积算成相似度矩阵，前者提供原材料，后者把重复和延长转成与具体词无关的块状纹理，搭配理由是口吃的结构恰好是相似声音在时间上的复现，组合后分类器只需在图上找块而不必先识别单词。

当编码器有多层时，每层都算一张这样的方阵，再沿通道堆成 3 维张量，形状为层数乘帧数乘帧数。分类时就把这个多通道图当作图像，多层对应多通道。论文的安排理由在正文有明确表述：通过计算所有不同时刻组合的内积，高效抽取相似声音或词的重复与延续，而较少顾及其具体声学属性，因此被认为对语言特定的声学性质依赖较小。

这种说法是论文的动机陈述，是否成立需要后文跨语言数字来检验，不能把动机当成已证明的性质。实现细节上需要补一个缺项说明。原文没有给出相似度图的尺寸归一化、变长音频如何对齐到固定帧数、以及 VGG 输入通道如何适配层数的完整代码级描述。

只说明 VGG 结构基于此前工作，卷积核改为 5 乘 5 加填充，展平层与两个线性层被全局平均池化替代以支持变长输入并减少参数。复现时应以原文超参数为准，未报告的部分要明确记为缺项而不猜测。

核心组件二：三个冻结前端与分类器如何分工

3 个前端的区别决定了实验能回答什么。模型一用在源语言语音识别任务上微调过的 wav2vec 2.0，假设是区分音重复与词重复需要词汇知识，而语音识别微调能带来这种知识。模型二用多语言自监督的 xlsr-53，覆盖 3 种目标语言但没有语音识别微调，优点是语言覆盖广，缺点是缺少显式语言单元。

模型三用 Whisper 编码器，它在语音识别与语音翻译上训练过，能生成类似的多层表示。3 个前端在训练中都冻结，层数都是 24 层。分类器侧基于 VGG-19，包含 16 个卷积层与 3 个全连接层的原始结构被改造。

wav2vec 2.0 × Whisper 编码器： wav2vec 2.0 负责用自监督学习提供多层声学表示但缺少显式词单元，Whisper 编码器负责提供经语音识别和语音翻译训练的带词汇知识表示，前者对声音延续敏感而对词边界弱，后者能区分音重复与词重复，搭配比较是为了检验纯声学量化与带语言监督表示在跨语言迁移时的得失，组合意义是找出更适合抽取可迁移重复结构的前端。

改造内容是所有卷积核设为 5 乘 5 加填充宽度 3，标准 VGG 的展平层与后续两个线性层被全局平均池化替代。改造的理由是减少参数并允许变长音频不经缩放或裁剪直接处理。损失函数与超参数沿用此前自注意力权重工作，原文未展开学习率与优化器细节，复现时需回到该前作核对，这里记为信息缺项。

基线模型是复现的此前研究模型，用最后一层或聚合表示直接分类，不经过相似度图这一步。为了控制条件，原文多任务学习被排除，因为在 AS-70 原论文中未考察该方面。这意味着基线与自注意力权重模型的比较是在单任务多标签设定下进行的，公平条件是同语料同划分同标签体系，指标方向是 F1 越高越好。

训练与推理如何组织：谁更新谁冻结

该节必须先明确训练边界。本研究训练的是基于相似度图的 VGG 分类器，没有训练语音前端。语音前端的 24 层编码器全程冻结，不接受梯度，监督信号只来自口吃标签对 VGG 侧的更新。推理时对任意输入音频先用冻结前端抽取多层向量序列，再算多层相似度图，最后用训好的 VGG 输出 6 个标签的概率。

跨语言适应的流程分两步。第一步在高资源语料上训练，第二步在未知语言的低资源语料上评估，评估时目标语言数据不参与任何训练，这就是零样本的含义。论文不仅评估单语言训练的模型，还评估多语言联合训练的模型。

例如用中文加英文一起训练再测德语，目的是检验模型在训练阶段见过多种语言后能否学到更通用的纹理。需要提醒的误解是，冻结参数不等于输出确定。即使前端冻结，VGG 的随机初始化、数据顺序与增强仍会带来波动。

原文未报告多次随机种子的方差，因此不能把单次 F1 当成精确到小数点后 2 位的确定性结论。同样，无训练的前端不等于确定性求解，它只是把已学表示当作固定变换调用。复现时应固定种子并记录版本，否则无法判断小幅升降是方法增益还是随机噪声。

实验条件：数据划分任务划分与可运行策略

实验用 3 套语料，每套都标注 5 类加正常，每套都划分训练、开发与测试，且划分说话人开放并在症状与性别上平衡。先看总量与划分规模，这是判断跨语言差距是否被数据量混淆的基础。

下表整理三语料的样本数、时长与来源，阅读重点是比较样本量大小与德语的小样本特性，公平条件是同标签体系与说话人无关划分。

上表把最容易误读的点摆出来了。中文样本量最大，德语最小且只有约 4.6 小时，英语居中。如果只看数据量，会以为中文到德语应该最好，但后文显示英语到德语反而更好，这说明语言距离的影响超过了数据量的优势。表格中裸数值的单位是条剪辑片段，时长单位是小时，划分数字的含义是训练开发与测试的条数，聚合对象是片段级多标签 F1，不是说话人级平均。

零样本跨语言评估 × 单语评估： 单语评估负责在同一语料上训练和测试以给出性能上界，零样本跨语言评估负责在源语言训练后直接测目标语言且目标语言数据全程不可见，前者回答模型学到了什么，后者回答学到的东西能否搬家，搭配理由是只有固定说话人无关划分和相同标签体系，才能把语言距离与数据量差异分开，组合意义是量化语言依赖的真实代价。

任务分两类。单语评估用同一语料训练与评估，给出每个测试集的性能上界。零样本跨语言评估覆盖 5 种组合：中文到英文、英文到中文、中文到德语、英文到德语、中文加英文到德语。基线是复现的此前模型在三语料上的结果，德语单语基线引用此前研究的表格。

比较保留的实际可运行策略包括基线、3 种前端的自注意力权重模型以及多源联合训练，没有用事后最优阈值代替可部署收益。关于资源状态必须如实说明。本次未发现来源绑定且完成超文本传输安全协议状态验证的资源，因此不得声称代码、模型或数据已公开，只能按论文文字描述复现思路。

主结果一：单语上界与跨语言保留了多少

先回答单语上界，才能理解跨语言保留比例的分母是什么。论文报告，在英语上所有自注意力权重模型除感叹词与音重复外都超过基线，在中文上基线在多数类别超过自注意力权重模型，只有 Whisper 前端在无不流利与词重复上超过基线。

这说明相似度图不是在所有语言所有类别上都占优，中文的基线直接建模声学或语言细节时仍有优势。德语单语引用值显示基线在阻塞、感叹词、延长、音重复与词重复上的表现，后文跨语言将与之对比。跨语言的核心判断是保留比例。

下表把跨语言保留与德语多源结果的关键数字放在一起，阅读时先看相对保持再看绝对升降，指标方向都是 F1 越高越好。

上表之后必须讲代价与反例。相对下降约 20% 的 3 类恰好是阻塞、感叹词与延长，说明相似度图没有完全弥合声学细节的语言差异。词重复从 0.18 到 0.40 的提升看起来反常，论文的解释是单语德语词重复基数低且相似度图抓住了跨语言的重复结构，但这不意味着所有低基数类别都会提升，音重复在跨语言中保持稳定而非大涨就是反例。

百分点与相对百分比在此含义不同：22 个百分点是绝对差值，20% 是相对变化，不能混用。分前端看，多数类别下模型一弱于模型二，模型二弱于模型三，但有两个例外。xlsr-53 在音重复与词重复上较低，Whisper 在感叹词上较低。

语言无关症状 × 语言依赖症状： 语言无关症状指阻塞延长和音重复，主要靠声学中断拉长判断，语言依赖症状指词重复和填充词感叹词，需要知道词边界和词汇是否合法，前者跨语言纹理更稳定，后者受词表和转写规范影响大，区分二者的原因是自注意力权重对两类线索保留程度不同，组合分析才能解释为何该方法在词重复上反超而在阻塞上落后。

论文用训练目标解释：自监督的码本量化缺少显式音素词单元且未做语音识别微调，因此对重复不敏感；Whisper 的文本规范化会剔除填充词，导致对感叹词不敏感。这些是有限解释而非因果证明，因为没有做剔除文本规范化的对照实验，只能说支持该假设，仍待验证。

对照与失败条件：换前端与换语言对时发生什么

把前端替换看作消融，可以分离表示来源的影响。从微调 wav2vec 2.0 到 xlsr-53 再到 Whisper，总体是逐步变好，但在重复与感叹词上各有短板。xlsr-53 的短板在音重复与词重复，Whisper 的短板在感叹词。

这组对照的教学意义是，前端训练目标会通过相似度图间接影响下游：自监督码本对音的离散化可能抹掉细微的重复边界，文本规范化对填充词的剔除会让感叹词在表示中变弱。如果要复现，应先固定 VGG 与划分，只换前端并记录 6 个标签的精确率与召回率，而不是只看平均 F1，否则会掩盖这种此消彼长。

把语言对替换看作另一组对照，可以看到语言距离的持续存在。英语到德语在多个类别上优于中文到德语，尽管中文语料更大。这表明相似度图缓解但未消除语言差异。多源中文加英文到德语补偿了这一差距，达到全类别超过 40%。

复现时应注意，多源不是简单拼接，还涉及不同语料时长与标签分布的平衡，原文未给出采样权重细节，这是需要补验证的缺项。失败条件也要明确。基线在跨语言时多处出现接近零的 F1，例如中文到英文的延长与感叹词，这不是偶然波动而是系统性失效，说明直接分类器高度依赖源语言的声学或语言细节。

自注意力权重模型虽然多数超过基线，但在感叹词与音重复的个别组合上仍低于单语基线，说明它不是万能迁移器。任何声称它在所有类别全面超过最优的说法都不符合原文。下表把与最优模型的对照放在可运行策略口径下，测试集都是德语但训练条件不同，需按策略理解而非同数据量胜负。

表后解释必须同时给收益与代价。收益是语言依赖类别的反超，词重复超 20 点且感叹词也有提升，支持相似度图保留了词汇级结构的判断。代价是声学主导类别落后约 10-23%，说明直接建模声学或检索增强在中断与拉长的细微差别上仍有优势。多源训练在模型三上让所有类别超过 40%，这支持多语料训练不仅增加样本量，还让模型见到跨语言差异，但论文未分离样本量与语言多样性的各自贡献，因此不能断言全部增益来自多样性。

边界与未验证的推测：什么还不能说

先说论文直接报告的限制。自注意力权重可能在训练中重新学到语言特定依赖，因为 VGG 是在源语言语料上训练的，即使输入是相似度图，分类阈值与纹理偏好仍可能偏向源语言。Whisper 对感叹词的弱势可能来自填充词剔除，但未做干预实验，只能表述为可能。

xlsr-53 对重复的弱势可能来自缺少语音识别微调，同样是支持性解释而非因果结论。再说未评测的边界。论文未报告误判率按说话人或性别的分解，未测量训练资源、推理开销、输出帧率与实际延迟，也未评估除中英德之外的语言，更未测试噪声、电话信道与治疗后语音的鲁棒性。

KSoF 本身来自接受流畅性重塑治疗的人群，其发音策略可能与自然口吃不同，能否推广到未治疗人群待验证。最后说指标解读的边界。F1 是片段级多标签平均，不等于临床所需的每 200 音节的事件间隔计数精度。自动指标的提升不等于人工转写负担等量下降，更不等于言语治疗效果改善。

原文表头或算法描述若有冲突应标注，但本解读未发现需要编造口径来圆的冲突，所有数字都按原文的语料、阶段、指标与聚合对象引用。总体趋势不等于每组每步都成立，引用时必须带上语言对与类别名。

复现先做什么：按原文交代的最小可运行路径

复现的第一步是准备数据与划分。按原文总量切分说话人开放的训练、开发与测试，保持症状与性别平衡，不要自行重划分或混入目标语言数据做验证，否则零样本条件即被破坏。中文变长剪辑与英德 3 秒剪辑的长度差异要保留。

因为 VGG 侧已用全局平均池化适配变长，擅自裁剪或缩放会引入原文没有的预处理。第二步是搭建冻结前端与相似度图。加载 24 层 wav2vec 2.0 微调版、xlsr-53 与 Whisper 编码器并冻结全部参数，对每层计算缩放内积矩阵并堆成多通道。

VGG-19 按原文改造卷积核与池化，损失与超参数先沿用前作自注意力权重论文的设置，缺失的学习率与优化器细节要去查该前作而不是猜测。基线复现时要去掉多任务学习以对齐原文控制条件。第 3 步是按 5 种语言组合跑零样本评估，分别记录 6 个标签的精确率、召回率与 F1，不要只记平均。

关键超参数与信息条件包括前端冻结、VGG 可训练转冻结的搬运、多源训练的语料混合。由于本次未确认代码与权重可达，应把环境、随机种子与版本号记全，缺失的采样权重与阈值选择要作为待补验证单列出来。统计上建议多次种子取分布，而不是用单次小数点后 2 位断言胜负。

何时值得尝试：收束判断与下一步验证

综合全文，何时值得尝试这个方法取决于目标类别与资源条件。如果目标是低资源语言的词重复与填充词检测，且只有高资源语言数据可用，那么基于相似度图加冻结多语言前端的路线值得优先尝试，因为它在该组上显示出对最优模型的反超且总体保留达到 77-98%。

如果目标是阻塞与延长的精细区分，且对漏检容忍度低，则应谨慎，因为该组仍落后约 10-23%，此时可考虑与直接声学建模或检索增强结合。下一步最需要补的验证有三项。一是分离多源增益中样本量与语言多样性的贡献。

二是对感叹词弱势做保留填充词的 Whisper 对照，三是报告多次种子的方差与按说话人的误差分解。只有补完这些，才能把可能变为可以承诺的结论。对于刚入门的读者，记住一句话：这个方法不是让模型听懂单词，而是让模型在相似度图上看到重复的形状，形状可迁移但阈值仍可能记住源语言。

⚖️ 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