在野外还没解决：UniTalk 用三类难度重测主动说话人检测

英文题目：Revisiting Active Speaker Detection: An In-the-Wild Benchmark for Generalization and Robustness

会议身份：conference:interspeech:2026:conference-paper-id:nguyen26b_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：#基准设计 #鲁棒性 #音视频 #说话人分离标注

评分：7.7/10 | 创新 1.3/2 | 技术严谨 1.0/1.5 | 实验充分 1.2/1.5 | 清晰度 0.8/1 | 影响力 1.1/1.5 | 开源 1.0/1.5 | 可复现 0.3/0.5 | 工程/实践 1.0/1.5

排名：前25% | 文档类型：数据集与基准

👥 作者与机构

• Le Thien Phuc Nguyen：机构信息未能从会议 PDF 纯文本可靠映射
• Zhuoran Yu：机构信息未能从会议 PDF 纯文本可靠映射
• Khoa Quang Nhat Cao：机构信息未能从会议 PDF 纯文本可靠映射
• Yuwei Guo：机构信息未能从会议 PDF 纯文本可靠映射
• Tu Ho Manh Pham：机构信息未能从会议 PDF 纯文本可靠映射
• Tuan Tai Nguyen：机构信息未能从会议 PDF 纯文本可靠映射
• Toan Ngo Duc Vo：机构信息未能从会议 PDF 纯文本可靠映射
• Lucas Poon：机构信息未能从会议 PDF 纯文本可靠映射
• Tuan Khai Nguyen：机构信息未能从会议 PDF 纯文本可靠映射
• Soochahn Lee：机构信息未能从会议 PDF 纯文本可靠映射
• Yong Jae Lee：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

主动说话人检测（Active Speaker Detection, ASD）需对每帧每个可见人脸判定是否正在发声，难点在于多说话人并发、环境噪声、遮挡、相机运动与语言多样性下的视听对齐。作者构建UniTalk基准分三步：先用多语言关键词翻译检索YouTube以搜集覆盖拥挤与噪声场景的候选视频，候选池输出进入内容过滤。过滤结合自动规则与人工审核剔除低分辨率、缺失语音、强背景音乐、严重混响与敏感内容，合格片段进入人脸检测加贪心跟踪以生成稠密人脸轨迹。轨迹作为标注单元进入两轮多人标注与多数共识以确定发声标签，所得全集再按非英语语言、噪声、拥挤与混合困难划分测试子集以定位失效模式。与依赖电影的 AVA 相比，该基准强调真实并发说话与东亚语言覆盖，迫使模型学习可迁移的视听关联而非影视特有捷径。最强 TalkNCE 在 UniTalk 上整体仅得 83.2 mAP，显著低于其在 AVA 上的 95.5 mAP，而 UniTalk 训练模型在 AVA 上可达 88.0 mAP，证明难度来自真实分布而非单纯标注噪声。结论仅适用于所覆盖的网络视频类型与已定义难度轴，未验证极低分辨率、强混响或罕见语种的外推能力。原文未披露训练、推理或部署成本。

🔗 开源与复现资源

• 代码相关资源：https://github.com/plnguyen2908/UniTalk-ASD-code — 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

为什么在电影上满分不等于现实可用？

输入是给刚进入语音音乐音频方向研究生的技术解读，目标是能核对实验条件并复述方法，输出是 1 篇按学习依赖展开的中文解读。必须保留的信息包括任务定义、数据规模与划分、评估协议、关键超参数与主要数字，修辞让位于可复现性。

主动说话人检测要回答的是视频里每个可见人此刻是否在说话。白话说就是把嘴动与声音对上号，英文是 Active Speaker Detection，缩写 ASD。后文统一用主动说话人检测或 ASD。它与单纯的语音活动检测不同，后者只判断有没有人声，不管是谁；它也不同于只看嘴型的视觉分类，因为拥挤遮挡和侧脸会让嘴型不可靠。

论文的矛盾起点是 AVA-ActiveSpeaker 已成为事实基准，最近方法在上面超过 95% 平均精度均值，英文是 mean Average Precision，缩写 mAP，后文统一用 mAP，让人以为任务已解决。但 AVA 全部来自老电影，音频干净、构图简单，还包含配音视频，即声音是后期覆盖的，与可见口型可能不对齐。现实部署如视频会议、街采、直播和社交媒体，需要处理非英语、街声音乐重叠声、多人同框遮挡和运动镜头。缺乏沿这些轴的覆盖，就无法评估鲁棒性。

主动说话人检测 × 说话人日志： 主动说话人检测负责判断画面中每个可见人在每 1 帧是否正在说话，输出的是帧级二分类；说话人日志负责把一段音频按谁在何时说话切分和归属。两者搭配的理由是检测提供可见人与语音在时间上的对齐证据，日志需要这种证据来处理重叠语音和多人轮替，组合后下游的视听语音识别与人机交互才能知道该听谁、该看谁。

为此作者提出 UniTalk，强调挑战场景，规模与 AVA 相当，但覆盖非主流语言、噪声背景和拥挤场景。论文报告最强方法在 AVA 超 95 mAP，在 UniTalk 仅 83.2 mAP，困难混合子集仅 77.9 mAP。反过来在 UniTalk 训练的模型能泛化到 Talkies 与 ASW。这组不对称是全文要解释的核心证据。

同输入同目标的既有路线差在哪里？

早期视听说话人数据集如 VoxCeleb 和 Columbia 数据集聚焦访谈与独白，场景受限。AVA-ActiveSpeaker 做了大规模帧级标注，成为最常用基准，但重度依赖电影内容。Talkies、ASW 和 VoxConverse 引入网络视频增加了多样性，但规模有限，也没有系统覆盖部署挑战。教学例子是把它们看作同一任务的不同考场：考题都是判断可见人是否说话，但考场噪音与考生密度不同，不能把在一个安静考场的满分直接当成在菜市场的满分。

方法路线上，现有 ASD 模型一般分为多阶段训练与单阶段框架。多阶段是特征编码器与上下文模型分开优化，单阶段是联合学习。代表有多阶段的 ASDNet 与 ASC，端到端与对比学习的 TalkNet、LoCoNet、LASER 与 TalkNCE。近期工作强调长时上下文建模，用循环网络、注意力或混合结构。论文把 LoCoNet 加 TalkNCE 损失作为最强跨库比较框架。

同输入同目标对照的关键是监督与运行阶段相同：都是人脸轨迹加同步音频输入，都是帧级二分类，都是离线评估 mAP。类别差异不能当同条件胜负，例如只做视觉嘴动的方法与视听融合方法在噪声下的比较条件不同。论文的对照保持训练测试划分与指标一致，再谈跨库差异，这样才能把过拟合到数据集特有线索的问题暴露出来。

任务的输入输出与评测口径是什么？

形式化上，给定人脸轨迹与音频轨做二分类。原文把人脸轨迹记为长度 T 的序列，音频轨因采样率失配记为 4T 乘梅尔频率维。白话是 25 帧每秒视频对应约 100 帧每秒音频特征，10 毫秒跳帧与 25 毫秒窗长下每秒约 100 个音频帧，所以音频帧数约为视频帧数的 4 倍，与既有基准一致。模型要对每个可见人的每 1 帧输出是否主动说话。

评测沿用既有做法，在全测试集上对每个可见人的每帧判断是否正确，用 mAP 汇总。做法是对正样本的人脸检测按预测分数排序，计算准确率召回率曲线下面积。UniTalk 额外把测试集切为 4 个子集：非主流语言、噪声背景、拥挤场景和至少包含两种难度的混合困难例子。前 3 个子集在构造时控制其他因素，以便隔离语言、声学与视觉压力；混合困难则考察复合失效。

标注标准沿用 AVA：被认为是说话，指产生有语义内容的言语信号，包括正常说话、喊叫、歌唱、短回答如 Yes 与填充词如 um，以及可听的带意图嘟囔；不算说话的包括笑叹息咳嗽哼鸣、无声口型、点头挥手等非言语交流，以及画外旁白等音画不同步。2 阶段多遍标注先由多人独立标以保召回，再由另一组人核验纠错，多数共识才保留。

UniTalk 基准的全景与难度设计

UniTalk 不是换一批视频那么简单，它是围绕 3 类难度轴组织的数据与评测。总体包含超过 44.5 小时视频、48693 条说话人身份的人脸轨迹、约 4,000,000 张人脸裁剪，平均每帧 2.6 个可见说话人。训练 33.4 小时，测试 11.1 小时，按视频划分且说话人与会话上下文不跨划分，避免泄漏。种族上白人 44.2%、亚裔 34.2%、黑人 21.6%，语言上英语仍占最大但东亚语言显著多于 AVA。

下图把 AVA 与 UniTalk 的差异可视化，上半是电影与配音电影，下半是拥挤、非主流语言、噪声与混合困难四行，每行右侧用语言、噪声与视觉复杂度图标标注。这是理解后文子集划分的最直接入口。

看图路径： 1. 先看上半 AVA 两行与下半 UniTalk 四行的虚线分隔，确认比较对象；2. 再看右侧图标列的语言旗、噪声喇叭与单人多人小人，确认三类难度标注；3. 对比拥挤行的人排数量与噪声行的密集人群背景，确认视觉与听觉压力不同；4. 最后看混合困难行同时出现多人与噪声图标，确认复合难度的定义

论文图 1。原论文 Figure 1：“Comparison between AVA and UniTalk. AVA [16] primarily consists of movie content often with clean audio and simple visual composition.”。

图中 AVA 一侧多为单人清晰构图，配音行提示音画可能不对齐，会削弱视听监督可靠性；UniTalk 一侧拥挤行出现一排多人并坐，噪声行出现密集人群背景下的采访，混合困难行同时出现多人与噪声。解读时不要把图标当装饰：旗帜对应语言轴，喇叭是否打叉对应噪声轴，单人还是多人对应拥挤轴。四行的每 1 帧都是同一子类的代表片段，说明难度是按视频类别系统引入的，而非随机噪声。

模型组件如何从样本走完一次判决？

沿一个样本走一遍：输入是一段人脸轨迹与同步音频，视觉编码器与音频编码器分别映射为逐帧特征，再沿嵌入维拼接为视听特征，上下文模块输出上下文感知特征，最后 3 个线性分类器分别基于融合特征、音频特征与视觉特征预测，训练用三项交叉熵加权求和，其中音频与视觉两项是辅助损失，促使模型不偏废任一模态。单阶段训练如 LoCoNet 与 TalkNet 取融合权重 1、音频 0.4、视觉 0.4，TalkNCE 对比损失权重取 0.3；多阶段如 ASC 与 ASDNet 先训练编码器再训练上下文模块。

人脸轨迹 × 梅尔谱音频轨： 人脸轨迹是同一人在连续视频帧中的脸部序列，承担视觉说话动作的载体；梅尔谱音频轨是同步音频经短时傅里叶变换得到的时频表示，承担语音内容与噪声的载体。两者搭配的理由是单看嘴动会把笑和空口型误判，单听音频不知道是谁在说，组合后编码器把两者对齐到同一时间轴，上下文模块才能做视听一致性判决。

视觉编码器 × 上下文建模模块： 视觉编码器与音频编码器分别把人脸轨迹和音频轨压缩为逐帧特征，负责局部表征；上下文建模模块负责在更长时序上融合这些特征，建模轮替、遮挡和噪声下的连续性。搭配的原因是局部特征只能看清一瞬间，上下文能利用前后帧和多人关系纠正瞬时歧义，组合后 3 个线性分类器分别监督融合特征与单模态特征，新增作用是强制模型同时关注视听一致与单模态可判性。

实现细节上，单阶段的 LoCoNet、LASER 与 TalkNCE 用批量 4、每样本 200 帧、训练 25 轮；TalkNet 用至多 5000 帧的批量、训练 25 轮；ASC 编码器 100 轮加上下文 15 轮，ASDNet 编码器 70 轮加上下文 10 轮；优化器用 Adam。视觉增强用随机缩放裁剪翻转旋转，音频增强是把训练集中随机音频作为背景噪声叠加。原文未报告学习率与具体网络层数等全部超参数，这是复现时需要对照开源代码补齐的缺项，不能从模型名推定实现。

数据是如何从关键词变成可训练标注的？

构造流程承担方法职责，没有神经网络训练，只有数据流水线。第一步用 GPT-4 帮助生成易出现视觉或声学复杂的场景关键词，如多人脱口秀、发布会、课堂讨论、体育采访与小组辩论，再翻译成多语言去 YouTube 按地区检索，以鼓励语言多样性。第二步做自动加人工过滤，丢弃遮挡过多、短边低于 480 像素、缺语音、背景音乐压过人声或严重混响的视频，并排除敏感不当内容。

第三步用人脸检测 S3FD 加基于空间重叠与视觉相似的贪心跟踪生成轨迹，用高斯核平滑关键点、短于 0.2 秒的缺口线性插值，只保留至少 1 秒的轨迹以保证时序上下文，跟踪失败如身份跳变与误检由标注员标记丢弃。第四步是 2 阶段标注与入库，只存人脸轨迹、音频与人工标注，不重分发视频内容。

下图展示了从多语言搜索词到视频池，再到人脸轨迹与标注存储的 3 段式示意，中间经过敏感内容过滤。注意正文一处写 3 个阶段，图注写 4 阶段并把内容过滤单列，复述时应按图注的 4 段理解：视频 sourcing、内容过滤、人脸轨迹生成、标注与存储。

看图路径： 1. 从顶部多语言搜索词框沿箭头向下看视频池，确认多语言检索入口；2. 经过滤敏感内容节点看中间胶片式人脸序列，确认轨迹生成位置；3. 再看底部带说话标记的胶片序列与存储图标，确认标注与入库是最后一步

论文图 2。原论文 Figure 2：“Data curation pipeline. Our data curation pipeline consists of four distinct stages: (1) video sourcing to construct an initial pool of candidate clips, (2) content filtering to…”。

图中顶部可见英语、越南语、捷克语与阿拉伯语的搜索词框与翻译箭头，说明多语言是从检索词层面注入的；中部是多场景缩略图，说明视频池覆盖群聊与舞台等多人场景；下部胶片条从无人脸框到带说话图标，说明轨迹先结构化再逐帧标说话状态。伦理上协议经机构审查认定为最小风险且不构成人体研究，数据以知识共享署名非商业 4.0 发布，禁止监控与生物识别用途，可请求删除可识别片段。代码当前可用，已公开在资源链接。

划分、难度量化与公平比较条件是什么？

数据划分为训练 33.4 小时与测试 11.1 小时，按视频切分。评估主指标是 mAP，方向是越高越好。诊断指标有两个：视觉复杂度是每帧平均可见人脸数，以 2 张为中位 cutoff，依据是 AVA 有 99% 样本低于它；背景噪声级是语音活动检测剔除语音后对背景算均方根能量，以 0.03 区分高低噪声。每个视频搜索词被画在 2 维难度空间，横轴视觉复杂度，纵轴背景噪声，3 个阴影区对应拥挤、噪声与混合困难。

测试集构成上，非主流语言占 28.0%，拥挤场景占 21.5%，噪声音频占 16.1%，困难混合占 34.4%，超过 55% 帧包含两张或更多人脸。比较公平性上，主结果是同库训练同库测试，跨库是分别在 AVA、Talkies、ASW 与 UniTalk 独立训练再到四库全测，框架固定为 LoCoNet 加 TalkNCE，微调实验固定起点为 UniTalk 预训练的 TalkNCE，再用不同时长 AVA 数据微调并同时报告 AVA 与 UniTalk 分数以考察适应与保持。

背景噪声级 × 视觉复杂度： 背景噪声级是用语音活动检测剔除人声后对剩余背景算均方根能量，负责量化听觉难度；视觉复杂度是用人脸检测统计每帧平均可见人脸数，负责量化视觉难度。两者搭配的理由是只看 1 维无法区分噪声大还是人多，组合成 2 维难度空间后才能把测试集切分为噪声、拥挤和混合困难子集，新增作用是实现可控的压力测试与失效归因。

下图的三环分别对应人种、每帧人脸数与目标难度，是核对多样性声明的最快位置。

看图路径： 1. 先看左图人种环确认白人亚裔黑人三段比例；2. 再看中图每帧人脸数 1 张 2 张 3 张与 4 张以上四段，确认多人帧占比；3. 最后看右图语言拥挤噪声与困难四段，确认测试集难度覆盖

论文图 4。原论文 Figure 4：“Dataset Composition Overview. (a) Race distribution of visible speakers.”。

左环显示白人 44.2%、亚裔 34.2%、黑人 21.6%，说明族裔覆盖比纯电影库更分散；中环显示单人帧 44.8%、双人 28.8%、3 人 15.6%、4 人以上 10.7%，多人帧合计过半，直接支撑拥挤轴不是点缀；右环显示困难 34.4%、语言 28.0%、拥挤 21.5%、噪声 16.1%，说明测试集为细粒度评估留了足够样本。读图时只认环上标注的百分比，不要目测面积比。

主结果：谁在 UniTalk 上掉分，谁能跨库泛化？

要回答的比较问题是同等训练测试协议下新基准是否更难，以及换库后谁更稳。公平条件是同一模型各自从零在 UniTalk 上训练再在 UniTalk 上测，指标都是 mAP，越高越好。下表整理规模与主结果的对应关系，第一张是规模对照，第二张是性能对照，阅读时先看规模是否相当，再看分数是否饱和。

上表说明 UniTalk 在时长、轨迹数、裁剪数与每帧人数四项都是最大，规模与 AVA 相当但交互密度更高，因此难度的提升不是靠数据量小制造的。未胜出项是 Talkies 在视频类型多样性上也有多域标记，不能说只有 UniTalk 多样；代价是 UniTalk 英语仍占优，语言平衡并不完美。

域内性能 × 跨数据集泛化： 域内性能指在同一数据集划分上训练和测试得到的分数，反映对该分布的拟合；跨数据集泛化指在一个库训练到另一个库测试的分数，反映学到表征的可迁移性。两者搭配的理由是只看域内会被数据集特有线索抬高，组合对比才能发现过拟合，新增作用是判断基准是否高估现实可用性，UniTalk 的价值正在于域内不饱和但跨库更强。

表后解释是报告显示最强 TalkNCE 在 UniTalk 仅 83.2，远低于其在 AVA 的 95 以上，而 AVA 训练的同一模型到 UniTalk 只有 77.5 且困难子集低至 64.8，支持现有基准高估现实可用性的判断。反向看 UniTalk 训练的模型在 AVA、Talkies、ASW 分别达到 88.0、91.4、90.4，支持难度来自真实变化而非标注噪声。代价是 UniTalk 域内仍不饱和，且跨库到 AVA 仍落后 AVA 原生训练的 95.5。微调以 3 小时 AVA 数据达到 92.4 并随数据增至全量 95.7，且 UniTalk 保持在 80 左右，支持预训练迁移价值，但未测量延迟与计算成本，不能承诺部署开销也改善。

消融与扩展：难度轴、数据量与预训练如何变化？

按问题组织：先看难度轴是否各自都难，再看数据量是否越多越好，最后看预训练是否可快速适应。条件一致性上，难度轴比较固定为同一批 UniTalk 训练的模型，只换测试子集；数据量比较固定为 TalkNCE，只换训练小时数；预训练比较固定起点为 UniTalk 训练的 TalkNCE，只换 AVA 微调小时数与轮数。

难度轴上，最好的 TalkNCE 在语言 86.7、拥挤 84.9、噪声 84.1、困难 77.9，都低于其 AVA 近满分，说明三轴各自都是压力，复合后进一步下降。早期 ASDNet 仅 20.6、ASC 61.4、TalkNet 75.7，说明架构越老掉分越多，但这不能直接当架构优劣的因果证明，因为训练轮数与增强不完全相同。

数据量上，从 31 小时到 33.5 小时提升 0.8，从 33.5 小时到 39 小时再提升 0.8，到 45 小时持平微降，曲线在 33.5 小时后收益递减。作者因此采用 33.5 小时训练与 11 小时评测，另留 11 小时作补充训练集。预训练上，3 小时微调 2 轮达 92.4，5 小时 93.4，10 小时 94.0，15 小时 95.0，全量 31 小时 95.7，且 UniTalk 维持 78.6 到 81.3 未明显遗忘。限制是原文未报告多次随机种子的方差，也未报告统计显著性，总体趋势不等于每组都单调。

失败案例与数据局限在哪里？

论文用一个越南语户外音乐场景展示复合失效：多人小而重叠的人脸、乐器与环境噪声、非主流语言同时出现。真值行用绿框表示说话、红框表示不说话，模型行用橙色圆圈标出错误预测。TalkNCE、LoCoNet 与 TalkNet 在该视频上都频繁出错，说明即使在 UniTalk 上训练过，多挑战叠加仍未解决。这支持困难子集分数最低的现象不是偶然，也划定了未评测边界：极端遮挡与强混响等更恶劣条件原文已在 sourcing 阶段过滤，实际部署可能更难。

下图即该失败案例，行是真值与 3 个模型，列是远全景与近特写，阅读时先校准颜色再找橙圈。

看图路径： 1. 先按行确认真值与三个模型，按列确认远近三种取景；2. 用绿框为说话红框为不说话的图例校准，再找橙色圆圈标记的错误预测；3. 对比同一帧下不同模型的橙圈位置，确认多模型在拥挤噪声下同时失效

论文图 6。原论文 Figure 6：“Failure cases of state-of-the-art ASD models on a challenging test video from UniTalk.”。

图中远景一列人小且密集，模型易把不说话判为说话或漏掉真说话人；近景两列中右侧戴帽戴墨镜人物的红绿翻转最明显，橙圈集中在该位置，说明视觉遮挡叠加噪声时视听一致性最脆弱。3 个模型错误位置不完全相同，但都未通过该测试，因此不能把单模型在全集的平均分推广为在混合困难上的表现。作者也承认语言仍不平衡，英语因高质量多样内容多而超配，其他语言受伦理排除、关键词与验证能力限制，未来需多语言协作扩充。

复现先做什么，需要哪些配置与代码？

先准备数据与代码：UniTalk 训练 33.4 小时、测试 11.1 小时，人脸轨迹至少 1 秒，短边低于 480 像素与严重噪声视频已过滤；评估用 mAP，对正样本检测按分数排序算曲线下面积，全集与 4 个子集都要报。代码当前可用，官方仓库已公开，可下载对照超参数，但权重是否长期可下载需以仓库页面为准，不能把代码开源等同于权重可运行。

再定模型与训练：建议从 TalkNCE 复现主结果，单阶段取融合 1、音频 0.4、视觉 0.4、对比损失 0.3，批量 4、每样本 200 帧、25 轮、Adam 优化，视觉做缩放裁剪翻转旋转、音频叠加训练集随机背景声；多阶段 ASC 与 ASDNet 需分阶段轮数如 100 加 15 与 70 加 10。跨库比较时固定框架为 LoCoNet 加 TalkNCE，分别在四库独立训练再全测，不要混库训练后只报最高的一项。

还需补的验证是原文缺项：学习率、随机种子、硬件与耗时、多次运行方差均未在正文给出，复现应记录这些并检查 0.03 噪声阈值与 2 人脸阈值的敏感性。若要验证预训练价值，从 UniTalk 起点用 3、5、10、15 小时 AVA 微调并同时报告两库分数，确认 AVA 上升而 UniTalk 不崩。不要把自动 mAP 当人评，也不要用事后最优阈值代替可部署策略。

何时值得尝试 UniTalk，还需补哪项验证？

当目标是视频会议、街采、直播等多人与噪声场景，或需要多语言部署时，值得把 UniTalk 作为评测与预训练起点。它的可迁移证据是 UniTalk 训练后零样本到 Talkies 91.4、ASW 90.7 附近，以及 3 小时 AVA 微调到 92.4，说明学到更通用的视听对应而非数据集捷径。当目标只是电影类干净单人场景，AVA 原生训练仍更高，不必切换。

复述方法的关键链是多语言关键词检索加过滤保证难度来源，S3FD 加贪心跟踪加 1 秒保留保证轨迹质量，2 阶段多数共识保证标注精度，2 维难度量化保证子集可控，mAP 全集加四子集保证不被平均分掩盖失效。常见误解是把 83.2 当模型上限，其实它是当前最强模型的域内分，困难子集 77.9 与 AVA 训练模型到 UniTalk 仅 77.5 说明天花板远未到；另一个误解是把跨库高分当因果证明多样性必然带来鲁棒，论文只显示相关性，支持但未证明因果。

还需补的验证是延迟、帧率与推理开销、误判率的人工抽查、以及阈值敏感性与统计显著性。总体趋势是 UniTalk 更难且更利于迁移，但每组每步都成立需要更细的消融才能确认。

⚖️ 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