用冻住的语音表征给扩散去噪指路：在瓶颈处做调制的语音增强

英文题目：Bridging Self-Supervised Learning and Speech Enhancement: A Wav2Vec2-Conditioned Framework

会议身份：conference:interspeech:2026:conference-paper-id:ojha26_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：#扩散模型 #自监督学习 #语音 #语音增强

评分：6.1/10 | 创新 1.2/2 | 技术严谨 1.0/1.5 | 实验充分 1.0/1.5 | 清晰度 0.7/1 | 影响力 0.9/1.5 | 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

• Shuubham Ojha：机构信息未能从会议 PDF 纯文本可靠映射
• Carol Espy-Wilson：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

语音增强需从加性噪声中恢复干净语音，扩散模型自然度较好但缺乏语言学约束且跨条件泛化偏弱。本文先用冻结的 wav2vec 2.0 Base 从带噪波形提取 768 维音素表征，再经三层多层感知机投影为尺度与偏置系数，最后在 U-Net 瓶颈处以特征线性调制完成通道级仿射调制。与拼接输入或多层条件网络不同，该方法只在抽象层注入语义并用指数平滑压缩时序，避免浅层谱细节被高层调制干扰。该平滑系数由线性高斯状态空间下卡尔曼增益稳态推导为指数滑动平均，实验统一取最优值以平衡侵入式与非侵入式感知指标。在 VoiceBank-DEMAND 测试集上 128 通道模型 PESQ 达到 2.8742，相对同配置 StoRM 基线的 2.4862 提升约 0.39。在VoiceBank-DEMAND测试集下，OURS-128的STOI为0.8673，高于StoRM-128的STOI 0.8571。结论目前仅在 VoiceBank-DEMAND 与 LibriMix 的受限噪声与 16 kHz 条件下验证，未证明对混响、带宽缺失与真实远场的外推能力。推理成本主要来自 30 步扩散采样，32 通道变体实时因子为 0.55 而 128 通道变体明显慢于实时。单次前向的计算量在128通道配置下为312 GFLOPs，经30步迭代采样后累计达9360 GFLOPs。

🔗 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，要输出什么，哪些信息必须保留？

这篇论文只研究一件事：语音增强。输入是被加性噪声、混响和其他失真污染的带噪语音，目标是恢复出干净语音。初学者容易把这个任务想成滤波器调大调小，原文的起点更具体：判别式方法直接学从带噪到干净的映射，比如时频掩蔽、复谱映射或时域回归，在低信噪比下容易输出过平滑的结果并带来可闻伪影。生成式扩散方法的思路不同，它先定义一个从干净到带噪的前向加噪过程，再学一个分数网络去逆转这个过程，采样时求解逆时随机微分方程得到增强波形。

理解本文需要先把白话和术语对齐。自监督学习是不用人工标注、靠海量无标注语音自己学表征的方法，英文是 self-supervised learning，缩写是 SSL，代表模型有 wav2vec 2.0、HuBERT 和 WavLM。特征调制是把外部条件变成缩放和平移参数去重加权主干特征的方法，英文是 Feature-wise Linear Modulation，缩写是 FiLM，计算形式是伽马乘特征加贝塔。瓶颈是 U 形网络中最压缩、最抽象的一层，英文是 bottleneck。逆扩散过程是采样阶段从噪声逐步去噪的链条，英文是 reverse diffusion process。

输出必须保留什么信息，原文讲得很明确：既要客观可懂度，也要主观自然度。客观侧用需要干净参考的侵入式指标衡量，包括宽带语音质量 PESQ、短时可懂度 STOI 和尺度不变信干比 SI-SDR，箭头都是越高越好。主观侧用不需要参考的非侵入式指标 DNSMOS 衡量，包括语音信号分 SIG、背景噪声分 BAK 和总体分 OVRL。后续所有表格都要同时核对数据集、基线、指标和聚合对象，不能只看一个数字就下结论。本次收到的证据中没有完成超链接状态验证的开源资源，因此不能声称代码、模型或数据已公开，复现只能回到论文文字描述。

已有路线如何给扩散模型提供条件？

先看条件扩散模型这条线。扩散模型本身只知道如何从噪声分布回到数据分布，要让它生成想要的语音，必须给条件。原文回顾了分类器引导、无分类器引导、输入拼接、交叉注意力和自适应归一化等做法，FiLM 属于自适应归一化一族，在视觉扩散结构中用得很广。它的优点是条件分支只预测少量仿射参数，不改主干通道数，缺点是如果条件本身不可靠，调制会把错误放大。

再看扩散语音增强这条线。CDiffuSE 是最早把去噪扩散概率模型用于增强的工作之一。SGMSE 和 SGMSE 加分号版本在复数短时傅里叶变换域做插值式前向过程。UNIVERSE 用单独的条件网络处理多种失真。本文直接继承的是 StoRM，它采用 Ornstein-Uhlenbeck 方差爆炸过程，前向扰动核在干净频谱和带噪观测之间插值，分数网络以带噪频谱、当前状态和时间为输入做去噪分数匹配。沿着这条线，关键设计就是如何把带噪观测之外的信息喂给逆过程，常见做法是输入拼接和专用条件网络。

第三条线是自监督表征做增强。已有工作把 SSL 表征当辅助损失、当输入特征，或者当离散词元喂给语言模型式增强。还有工作在生成对抗网络中用判别式隐变量做 FiLM。本文的不同点原文写得很清楚：条件来自带噪输入抽出的 wav2vec 2.0 嵌入，只在扩散骨干的瓶颈处注入，并且有时序平滑策略。这个定位决定了后文的对照必须是同骨干、同通道数的消融，而不是跨类别直接比大小。

要解决的矛盾是什么？为什么选冻住的表征？

矛盾是感知自然度与语言保真之间的拉扯。扩散模型能生成更自然的语音，但在训练和测试条件不匹配时容易泛化失败，尤其对未见噪声类型。判别式方法保真思路直接，但在低信噪比下容易抹掉中高频谐波细节。原文的判断是逆过程缺语言层面的锚点，只靠带噪频谱拼接不足以告诉模型哪里是元音过渡、哪里是摩擦音。

为什么选冻住的 wav2vec 2.0 特征，原文给了两个依据。第一，即使从退化语音抽取，wav2vec 2.0 仍保留可观的音素和语言信息，这与其在大规模无标注数据上的对比预训练有关，目标鼓励对表层声学变化不变。第二，冻结编码器可以不增加扩散训练的梯度负担，只学一个轻量 FiLM 生成器。举一个教学用的例子：比如带噪句子的某 1 帧被噪声盖住，声学频谱上看像静音，但 SSL 序列在上下文作用下仍可能给出类似元音的连续表示，这时瓶颈调制就能把该通道的增益拉回来。这个例子只是帮助理解分工，不代表论文报告了该帧的具体数值。

需要提前说明的边界是，冻结不等于输出确定。扩散采样本身是随机的，逆过程求解仍有多样性。冻结只说明 wav2vec 2.0 参数不更新，不说明增强结果唯一。原文也没有报告误判率或置信度，因此不能把语义条件承诺为不会引入幻觉。

沿一个样本走完全流程：从带噪波形到增强波形

拿一条带噪语音跟着论文走一遍。第一步，把带噪波形同时送往两条路：一条做短时傅里叶变换得到带噪频谱，作为 U 形分数网络的额外输入通道；另一条送入冻结的 wav2vec 2.0 基座模型，得到帧率 20 毫秒、维度 768 的序列。论文明确使用最后一个 Transformer 层的输出作为条件特征，记为长度为 L 的序列。第二步，条件序列经过 3 层多层感知机压缩，把 768 维压到瓶颈通道数对应的 2 通道表示，分别对应缩放伽马和偏置贝塔。

32 通道和 128 通道配置分别对应不同的压缩目标，原文提到 256 的压缩设置与通道配置相关。第三步，对伽马和贝塔序列做指数平均时序压缩，得到单个尺度偏置对。第四步，在 U 形网络瓶颈处执行调制，用压缩后的伽马逐通道乘瓶颈特征再加贝塔，然后经解码器上采样并结合跳跃连接重建频谱。第五步，用训练好的分数函数求解逆时随机微分方程，经过 30 步逆采样得到增强波形。

扩散语音增强 × 自监督表征： 扩散语音增强负责从带噪频谱出发经多步逆过程逐步恢复干净语音，擅长生成自然细节但容易在未知噪声下走偏；自监督表征负责从带噪波形中提取仍保留音素结构的语义锚点，二者搭配的理由是让语义锚点约束声学逆过程，组合意义是在瓶颈处用高层语音信息校正逐层上采样的声学重建。

这个流程刻意只调瓶颈。原文给出两点理由：瓶颈是最抽象压缩的表示，与 wav2vec 2.0 的高层语义自然对齐；在所有层都调会带来开销并干扰细粒度声谱细节。后文消融证实扩展到编码器或解码器反而变差，因此瓶颈单点是方法全景的核心选择。

三个组件各自算什么：分数网络、特征提取、调制与平滑

分数网络沿用 NCSN++ 结构，也就是带 BigGAN 风格残差块、跳跃连接和选定分辨率自注意力层的 U 形网络。编码器逐步下采样带噪频谱表示，通道数增加而空间分辨率下降，瓶颈处理最压缩的表示，解码器镜像上采样。扩散时间步经正弦位置编码加可学习线性投影后，以加性偏置形式注入每个残差块。带噪频谱作为额外输入通道直接拼入网络。这个组件的可学习参数是增强质量的主体，也是计算开销的大头。

特征提取组件是冻结的 wav2vec 2.0 基座模型。它先用多层卷积特征编码器产生隐表示，再用 Transformer 在整句上做上下文建模。论文只取最后一层输出，维度 768。冻结意味着训练时梯度不流回该编码器，监督来源完全是扩散侧的去噪分数匹配损失。原文未报告微调该编码器的对照，因此不能推测微调一定更好，缺项就是缺项。

wav2vec 2.0 × FiLM 调制： wav2vec 2.0 负责把带噪波形编码为 768 维、帧率 20 毫秒的最终 Transformer 层序列，提供随时间变化的音素条件；FiLM 调制负责把该条件映射为缩放系数伽马和偏置贝塔并对瓶颈特征做逐通道仿射变换，二者搭配是因为瓶颈抽象层级与语义层级对齐，组合意义是以极小开销实现全局语义对声学特征的逐通道重加权。

调制与平滑组件先投影再压缩。投影是 3 层全连接网络，把时变序列映射为时变伽马和贝塔。压缩需要把序列变成单个调制对，论文用指数平滑完成。直觉是语音内容连续变化，相邻帧的条件应该互相借力，但又要因果可用。论文把单系数建模为随机游走状态，把投影值建模为带观测噪声的测量，在线性高斯假设下因果最小均方误差估计就是卡尔曼滤波，稳态时增益为常数，形式恰好退化为指数平滑。公式符号是当前隐状态、过程噪声方差、观测噪声方差和稳态增益，计算目标是聚合后的调制系数，原文明确后续实验统一使用阿尔法等于 1 附近的强平滑设置。

卡尔曼滤波 × 指数平滑： 卡尔曼滤波负责在线性高斯随机游走假设下给出因果最小均方误差估计的形式推导，说明稳态增益对应固定加权；指数平滑负责以帽子 c 等于阿尔法乘历史加一减阿尔法乘当前观测实现时序压缩，二者搭配的理由是把启发式平均变成有假设的估计器，组合意义是用单一系数阿尔法控制历史记忆与当前帧的权衡并压缩到单个尺度偏置对。

由于本次结构化证据中没有可用的公式序号，正文不设公式标记，所有推导以文字复述为准，不自行补写展示公式，避免引入与原文不一致的符号。

训练谁、不训练谁：优化目标与停止条件是什么？

训练对象是 U 形分数网络和 3 层 FiLM 生成器，不训练 wav2vec 2.0 编码器。扩散过程沿用 StoRM 的表述，前向在干净频谱和带噪观测之间插值，方差计划单调递增，分数网络以当前状态、带噪观测和时间为输入做去噪分数匹配。优化器是 Adam，学习率维持在万分之一。VoiceBank-DEMAND 上两种通道配置都训练 100 轮，LibriMix 上 32 通道变体与基线都训练 87 轮，原因是基线在耐心值为 50 轮的早停判断下此时收敛，保证公平比较。

需要区分原始目标与实现细节。原始目标是学到条件分数函数，近似手段是去噪分数匹配，停止条件是固定轮数或早停收敛，不是解析最优解。梯度路径只更新分数网络和 FiLM 生成器，不回传到 SSL 编码器。监督来源是干净语音与带噪语音对，没有人工标注的音素标签。重置时机方面，原文没有报告跨数据集微调或课程学习的重置策略，因此复现时应按从零训练理解，不自行添加预热或分阶段冻结。

训练之外的推理计算也要交代。128 通道配置下单次 U 形网络前向需要 312 吉浮点运算，乘以 30 步逆采样得到 9360 吉浮点运算。32 通道配置对应单次 19.5 吉浮点运算和总量 592 吉浮点运算。相比之下，1 秒语音的 wav2vec 2.0 基座约需 13.27 吉浮点运算，是一次性开销。FiLM 生成器仅约每秒 0.0058 吉浮点运算，可以忽略。这组数字说明瓶颈调制的额外代价主要不在条件分支，而在扩散多步采样本身。

在什么数据、什么划分、什么指标下比较？

数据集与划分按原文交代。VoiceBank-DEMAND 训练集含 28 个说话人的 11572 条语音，与 10 种 DEMAND 噪声混合。测试集含 2 个未见说话人的 824 条语音，与 5 种未见噪声在 2.5、7.5、12.5 和 17.5 分贝信噪比下混合。所有音频采样率 16 千赫。LibriMix 使用单说话人配置与最小混合模式，干净语音与真实噪声在多种信噪比下混合，训练集是 100 小时分布在 13900 条波形上，测试集 3000 条。论文还按信噪比切分做了平滑系数的敏感性分析。

模型配置有两个：128 通道全量版和 32 通道轻量版，分别记为 OURS 减 128 和 OURS 减 32。基线包括 CDiffuSE 大模型、UNIVERSE、UNIVERSE 加加版，以及同为 128 和 32 通道的 StoRM。为保证可比，StoRM 采用与本文方法相同的通道配置，直接比较是否加入 wav2vec 2.0 个条件。还有一个均值池化变体，32 通道下 81 轮收敛，其余变体训练 100 轮。

指标方向必须先讲清。PESQ、STOI、SI-SDR 越高越好，DNSMOS 的 SIG、BAK、OVRL 越高越好。侵入式指标需要干净参考，非侵入式不需要。硬件预算方面，实时因子在单张英伟达 GTX 3090 上测量，测试集总时长约 35 分钟，实时因子小于 1 表示快于实时。论文未报告主观听音测试和统计显著性检验，这是后续验证的缺项，不能把客观分差直接等同于人耳必能分辨。

主结果：感知提升在哪里，波形代价在哪里？

先提出比较问题：在相同通道宽度和相同训练轮数下，加入冻结 SSL 条件的扩散模型是否在可懂度和感知分上超过未加条件的 StoRM，代价是什么。公平条件是同为 128 或 32 通道、同为 StoRM 前向过程、同为 30 步采样，指标方向均为越高越好。下表整理 VoiceBank-DEMAND 测试集上的侵入式指标，最后一列标注数据集以满足宽表要求，数值保留原文精度。

表后解释必须同时讲收益与代价。收益是 PESQ 和 STOI 一致提升，128 通道下本文方法比同宽 StoRM 提升约 0.4 个 PESQ 点，32 通道也有相近提升，均值池化变体甚至达到 2.9186。代价是 SI-SDR 低于同宽 StoRM，原文经频谱分析归因为激进噪声抑制倾向。非侵入式侧也有类似权衡：OURS 减 128 的总体分 3.300 高于 StoRM 减 128 的 3.229，但背景分和信号分并非全胜；OURS 减 32 总体分 3.359 略高于 StoRM 减 32 的 3.347。这说明感知提升不等于波形保真提升，未胜出项必须保留。

侵入式指标 × 非侵入式指标： 侵入式指标负责以干净参考为基准计算 PESQ、STOI 和 SI-SDR，衡量可懂度和波形保真；非侵入式指标负责用 DNSMOS 的 SIG、BAK 和 OVRL 在无参考时预测主观感知，二者搭配是因为仅看波形误差会漏掉听感，仅看预测分又会掩盖失真，组合意义是同时暴露本文方法感知提升与波形误差代价的权衡。

LibriMix 与推理开销的对照放在第二张宽表，问题是小模型在另 1 数据集上是否仍有可部署收益。公平条件是 32 通道对 32 通道、同训练 87 轮，指标仍是越高越好，最后一列给出实时性结论。

表后解释要增加新信息。在 LibriMix 上本方法三项侵入式指标全面高于基线，DNSMOS 总体分也从 2.910 提升到 3.367，支持语义条件在不同数据分布下仍有效。但代价是实时因子从 0.36 升到 0.55，128 通道下从 1.63 升到 1.8，增幅分别约 52.7% 和 10.4%，且 128 通道仍慢于实时。可训练参数量 128 通道为 55.1 百万，32 通道为 3.6 百万，说明轻量版是唯一兼顾质量与实时的选择。

本节的图需要形成导读与解释闭环。下段先交代三块面板的对象与条件，再给出标记，最后解释可见差异。

同一 LibriMix 测试句子的三块频谱图按从上到下排列，依次是基线 StoRM 减 128、本方法 OURS 减 128 和干净参考，横轴为时间，纵轴为频率，能量以颜色表示，黑色表示低能量或静音区。

看图路径： 1. 先对比三块面板左右两端的黑色静音区与中部语音区的边界清晰度；2. 再看中间高能量共振峰在基线与本方法中的拖尾与残留雾状噪声；3. 最后核对本方法面板与最下方干净参考在谐波纹理上的接近程度

论文图 1。原论文 Figure 1：“Sample spectrograms of a LibriMix test set utterance enhanced by (a) baseline StoRM-128, (b) Ours-128 and (c) the ground truth clean waveform.”。

从像素可见，顶部基线面板左右两端残留大量雾状蓝色噪声，能量拖尾严重，中部语音与静音边界模糊，中高频谐波被抹平。中间本方法面板左右两端更接近黑色，语音段共振峰轮廓更锐利，与底部干净参考的纹理更接近，但最左侧仍保留少许低频残留，说明抑制更干净但并非完美重建。这与客观指标中 PESQ 提升而 SI-SDR 略降是一致的：听感更干净，波形细节仍有取舍。

拿掉平滑或换位置会怎样：两个消融的证据

第一个消融是平滑系数阿尔法。论文在 128 通道模型上按 2.5、7.5、12.5 和 17.5 分贝切分测试集，报告不同阿尔法下的平均 PESQ。原文报告更高程度的平滑对应更高的阿尔法值通常带来更好的增强质量，并据此在后续实验统一使用阿尔法等于 1。结合主表看，指数平均在侵入式与非侵入式之间取得平衡，优于均值池化在总体感知上的表现。需要注意总体趋势不等于每组都成立，表格中个别信噪比点存在波动，因此不能把阿尔法越大越好推广为单调定理，待验证的是在更大基准和更低信噪比下是否仍成立。

第二个消融是 FiLM 注入位置。论文比较仅瓶颈调制、在编码器 4 层分辨率加瓶颈同时调制、以及解码器加瓶颈同时调制的 32 通道变体。结果是瓶颈单点 PESQ 为 2.8634，编码器加瓶颈降到 2.7941，解码器加瓶颈进一步降到 2.5048，STOI 和 SI-SDR 也同步下降。原文解释为尺度失配：早期编码器处理细粒度声谱细节，被高层语义调制干扰，而瓶颈抽象层级与 wav2vec 2.0 特征对齐。这个负结果很重要，它反证了不是条件越多越好，过度条件化会导致性能下降。

两个消融共同支持方法选择：时序压缩需要强平滑，空间注入需要克制。论文未报告多层调制加门控或注意力加权的对照，也未报告不同 SSL 层或 WavLM 与 HuBERT 的对照，这些是明确的未评测边界，不能从模型名称推定换特征一定更好。

哪些结论有边界：失真、成本与未测量项

先讲已验证的代价。VoiceBank-DEMAND 上 SI-SDR 的下降不是偶然波动，而是与激进噪声抑制相关的系统性取舍。频谱分析显示中高频摩擦音和弱谐波可能被一并抑制，这在需要保留细节的任务中可能是不可接受的。LibriMix 上虽然三项指标都提升，但实时因子明显增加，128 通道仍不具备实时能力，说明质量提升依赖多步采样，部署时必须选 32 通道。

再讲未测量项。原文没有正式主观听音测试，DNSMOS 只是预测模型，不能当成人评。没有报告误判率、延迟分解和内存峰值，也没有报告统计显著性或多次随机种子的方差，LibriMix 的 DNSMOS 给出了标准差，但主表 PESQ 没有给出置信区间。因此不能承诺每条语音都提升，也不能承诺延迟已优化。

最后讲适用条件。训练与测试在 VoiceBank-DEMAND 上是未见说话人和未见噪声，但仍是同语料族；LibriMix 验证了跨库泛化，但仍是单说话人混合。混响、远场、多说话人和真实录音下的表现未在证据中出现。相关性不等于因果，PESQ 提升支持语义条件有用，但不能证明提升一定来自音素信息，也可能来自额外的参数或平滑带来的正则效应，需要更细的探针实验才能区分。

要复现先做什么：数据、配置与检查点

复现的第一步是准备数据与采样。VoiceBank-DEMAND 按原文的说话人划分和信噪比混合准备，LibriMix 按单说话人最小混合模式准备，所有音频重采样到 16 千赫。不要自行更换噪声库或改变测试信噪比，否则数字无法与原文对照。指标用宽带 PESQ、STOI、SI-SDR 和 DNSMOS 3 个分支，分别核对是否需要干净参考，避免把非侵入式分当成侵入式分。

第二步是搭建模型。分数网络用 NCSN++ 的 U 形结构，通道数取 32 或 128，带噪频谱作额外输入通道，时间步用正弦编码加线性投影注入残差块。条件分支用冻结的 wav2vec 2.0 基座模型取最后一层 768 维输出，接 3 层多层感知机压缩到 2 通道的伽马和贝塔，再做指数平滑后在瓶颈处做逐通道仿射。扩散过程按 StoRM 的插值式前向实现，逆采样固定 30 步。优化用 Adam 学习率万分之一，VoiceBank-DEMAND 训练 100 轮，LibriMix 按基线收敛的 87 轮对照。

第三步是检查点与预算。先复现同宽 StoRM 基线，再加入条件分支，分别记录 PESQ、STOI、SI-SDR 和 DNSMOS，确认 PESQ 提升约 0.4 的同时检查 SI-SDR 是否下降，以此判断是否复现了原文的权衡。记录单步吉浮点运算、总步数、实时因子和可训练参数量，确认 32 通道实时因子小于 1 而 128 通道大于 1。由于本次没有验证可用的代码与权重链接，应把复现目标定为按文字描述重建可运行系统，而不是寻找一键下载。

何时值得尝试，还需补哪项验证？

何时值得尝试，答案取决于任务目标。如果目标是提升可懂度和感知自然度，且能接受轻微波形误差和额外采样开销，瓶颈单点语义调制是值得优先尝试的改动，尤其在 32 通道轻量结构上，它在 2 个数据集上都显示了 PESQ 和总体感知分的提升，且实时因子仍小于 1。如果目标是最大化 SI-SDR 或严格保留高频细节，则应谨慎，直接采用本文的激进抑制可能适得其反，需要先调小抑制强度或改用更保守的平滑。

还需补的验证有三项。第一，正式主观听音与多种子统计，确认客观分差可被人耳感知且稳定。第二，更大基准与更难条件，包括混响、远场和多说话人，以及 WavLM 与 HuBERT 特征的同条件对照，确认提升确实来自语义而非额外容量。第三，延迟与内存的端到端测量，把输出帧率、每步耗时和一次性 SSL 开销分开报告，而不是只报总体实时因子。

回到中心判断：冻住的自监督表征可以作为扩散逆过程的语言锚点，但锚点要放在抽象层级对齐的位置并做强时序平滑，放错位置或过度调制反而有害。记住这个位置与平滑的组合，就抓住了这篇论文可复述的方法要点。

⚖️ 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