不用打分也能评风格：用两两比较学会判断动漫感语音

英文题目：AnimeScore: A Preference-Based Dataset and Framework for Evaluating Anime-Like Speech Style

会议身份：conference:interspeech:2026:conference-paper-id:park26h_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：#数据集 #众包评测 #评测协议 #语音 #语音属性识别

评分：5.9/10 | 创新 1.2/2 | 技术严谨 1.2/1.5 | 实验充分 1.0/1.5 | 清晰度 0.7/1 | 影响力 0.7/1.5 | 开源 0.0/1.5 | 可复现 0.1/0.5 | 工程/实践 1.0/1.5

排名：前50% | 文档类型：数据集与基准

👥 作者与机构

• Joonyong Park：机构信息未能从会议 PDF 纯文本可靠映射
• Jerry Li：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

该工作输入为日语语音波形，输出为动漫风格相似度的标量分数，难点在于该属性高度多维且缺乏共享绝对标尺，因而平均意见分式绝对打分不可靠且难以复现迭代开发。方法链分为三步：先从动漫与通用语料筛选三千条话语并以文本相似与说话人相似控制语言与身份混淆来构造跨语料A/B比较对，再通过众包收集一万五千个二选一偏好与自由描述以建立经验胜率与声学解释基线，最后在冻结自监督学习编码器上训练双向长短时记忆排序器并经均值池化输出分数。声学分析表明高胜率语音具有较低共振峰中值、较高浊音占比与连续快速但停顿极少的发音策略，而非单纯依靠高音调。与直接回归平均意见分的机制差异在于用成对逻辑损失学习相对序，从而将评价转化为可微奖励信号并可直接用于生成模型的偏好优化。在held-out A/B比较测试集下，SSL排序模型的ROC曲线下面积（Area Under Curve，AUC）为90.8%，高于手工特征逻辑回归的ROC曲线下面积（Area Under Curve，AUC）69.3%。结论仅在日语、所用三语料分布及当前标注人群内有效，跨语言跨人群与生成语音优化闭环尚未验证。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

要解决的实际困难是什么？

这篇论文研究的是日语语音中的动漫感评价。输入是实际研究中的一段待评语音，目标是判断它听起来有多像动漫角色的发声方式，输出是一个可以比较不同系统或不同样本的分数或胜负判断。对于刚进入语音领域的同学，白话理解是：自然度问的是这段话像不像真人说话，大家心里有共同标准；动漫感问的是这段话像不像动画片里那种经过训练的、有表现力的发声，大家凭直觉能分辨，但很难说清三十分和七十分的界线在哪里。

正因为缺少公共量表，传统做法是反复请人听并做平均意见分。平均意见分这个术语首次出现时需要解释：它是对单条语音直接打绝对分再平均的做法，英文是 Mean Opinion Score，缩写是 MOS。后文统一简称 MOS。论文指出这种做法在动漫感上不可靠且昂贵，开发者每改一版生成模型都要重新做听音，迭代很慢。

论文要保留的关键信息是数据规模和结论方向。研究共收集了来自 187 名评价者的 15000 对比较判断，并配有评价者自己写的动漫感线索描述。声学分析发现被偏好的语音不是简单的高音，而是受控的共振 shaping、更连续的韵律和更刻意的发音。手工特征联合建模的上限在 69.3% 左右，而基于自监督学习的排序模型最高达到 90.8% 左右。这组对比是全文的学习主线。

关于资源可用性需要如实说明。本次收到的证据中没有发现来源绑定且完成网络状态验证的资源，因此不得声称代码、模型或数据已公开。论文正文提到了公开地址，但本次未能确认可达，解读中只讲方法和结果，不做可下载或可运行的承诺。

前人从哪些路线靠近过动漫感？

第一条路线是直接研究动漫语音的声学特点。早期工作比较不同角色的韵律和声学差异，后续工作用量化的谱特征和嗓音质量描述符刻画动漫特有的音质，最近的工作追问不同风格之间是否存在共享的声学规律。报告显示的倾向包括平均基频更高、音高范围更宽以及嗓音质量相关描述符的偏移。但论文明确指出这些发现多为描述性，没有给出可扩展的打分流程，也没有形成能用于模型迭代比较和训练的目标。

第二条路线是语音评价的自动化。自然度 MOS 预测是主流做法，常用自监督学习表示来提高鲁棒性和跨域泛化，英文是 self-supervised learning，缩写是 SSL，后文统一简称 SSL。还有工作向多维度感知建模和更广的美学或愉悦度评价扩展。另一条并行路线是把人类偏好优化技术用于语音和音频生成对齐。论文认为 MOS 并不总是合适，当目标是缺乏共享绝对量表的风格建构时，绝对打分容易不一致，而比较哪一个更像动漫能给出更可靠的信号。

因此相关工作的对照要按同输入、同目标、同监督来理解。同输入都是待评语音，同目标都是预测人的听感，但监督不同：自然度路线用绝对分回归，本文用成对胜负做排序；运行阶段也不同：前者适合有公共锚点的质量，后者适合风格这种相对判断。把类别差异直接当成同条件胜负是不恰当的，论文也没有这样做，而是把偏好排序当作更适合动漫感的 elicitation 方式。

为什么绝对打分在这里不可靠？

可以把任务想成一个例子。例子仅为教学虚构，不代表论文数据：评价者听到两段内容相近的日语，一段是电视节目的日常讲述，另一段是动画来源的角色台词。如果要求分别打零到百分的动漫感分数，不同评价者对六十分的理解可能完全不同；但如果只问哪一段更像动漫，大多数人会稳定地指向后者。论文正是把这种直觉形式化为可收集、可训练的问题。

问题的难点有 3 层。第一是感知锚点缺失，动漫感是多维印象，包含情感外显、音色差异、韵律显著性、发音清晰度和时间控制等维度，没有单一物理量与之对应。第二是混淆因素多，文本内容、说话人身份和录音条件都可能被误判为风格。第三是开发需求急，生成系统的开发者需要不依赖每次人工听音的快速筛选，以及能指导模型向目标风格优化的奖励。

平均意见分 × 两两偏好比较： 平均意见分要求评价者对单条语音给出绝对分数，它的分工是度量自然度这类有公共锚点的质量；两两偏好比较只要求在两个样本中选出更像动漫的一方，它的分工是把难以定标的风格印象转化为可比较的相对判断。二者搭配的理由是动漫感是多维且缺乏公共零点和刻度的风格建构，绝对打分容易漂移而比较更稳定，组合意义在于用比较数据同时支撑声学分析和可训练的排序目标。

从学习依赖看，本节是后续全部设计的依据。正因为绝对量表不可靠，后续数据收集才采用稀疏但覆盖广的成对比较；正因为混淆因素多，后续才需要 3 阶段语音筛选和基于相似度的配对构造；正因为目标是排序，后续模型才不做分数回归而做分差的二分类。

整体框架如何把比较变成分数？

论文提出的 AnimeScore 框架可以沿一个样本走通。输入是 1 对语音，记为 a 和 b。它们各自经过同一个打分函数得到标量分，记为 sa 和 sb。训练目标是让人类偏好的那一方分数更高，推理时只看分差的符号就能预测哪一方更像动漫，单个语音的分数也可直接用于排序和筛选。这就是输入到表示到组件到目标再到输出的主路径。

框架包含两个大阶段。第一阶段是数据构建与分析：从多个日语公开语料中选出 3000 条语音，划分出训练 2500 条和测试 500 条，再构造 12500 对训练比较和 2500 对测试比较，收集 15000 个偏好标签并分析声学维度，同时用手工特征建立可解释基线。第二阶段是自动风格预测：在冻结的 SSL 编码器上训练排序模型，证明学习表示大幅超过手工基线，并能作为评价指标和奖励信号。

下面这张结构图展示了从波形到分数再到排序损失的完整计算走向，阅读时重点看冻结位置和成对训练的分支结构。

看图路径： 1. 先沿输入语音到冻结编码器再到双向网络与平均池化的主路径走一遍；2. 再看标量分数如何复制成一对分数送入排序损失；3. 最后确认损失只依赖两分之差与人类胜负标签的关系

论文图 3。原论文 Figure 3：“Architecture of an anime score prediction model”。

这张图显示输入语音先进入标有雪花标记的 SSL 编码器，再依次经过双向长短时记忆网络、平均池化和多层感知机得到预测分数。预测分数被复制为 1 对分数后送入右侧的排序损失，损失形式依赖两分之差与人类标签的一致性。可见内容表明编码器参数在训练中保持不变，只有后端的时序整合与映射层在学习；也表明模型不是分别回归两个绝对分，而是学习相对顺序。这种安排与动漫感缺乏绝对量表的前提是一致的。

数据筛选与配对组件各自解决什么混淆？

语音池来自 3 个日语语料：动画来源的 Anim-400k、主要由电视节目和日常语音组成的 ReazonSpeech，以及从视频网站收集的多样说话风格的 Coco-Nut。直接混用会引入录音条件、说话人属性和说话风格的强偏差，因此论文做了 3 阶段处理。第一步是降低语言偏差，用 Qwen3-30B-Instruct 语言模型对每条转写文本做零样本打分，判断其像不像动漫字幕或剧本的写作风格，只保留得分小于等于 2 的语音，避免评价者从词汇线索猜出答案。

第二步是音频过滤，先用 Sidon 语音增强模型预处理，再用字符错误率、时长和已有 MOS 预测做筛选，只保留时长在 2 秒到 10 秒之间、转写质量较好且预测 MOS 大于 3 的样本。第三步是说话人条件匹配，用 ECAPA-TDNN 提取说话人嵌入并做分布可视化和聚类，过滤高度重叠的稠密区域以保证说话人多样性，最终得到说话人和语句都不重叠的训练与测试划分。

配对构造不是穷举所有组合，而是稀疏但平衡的设计。对每条语音，用文本嵌入余弦相似度和说话人嵌入余弦相似度检索候选伙伴，排除文本距离太远或疑似同一说话人的候选，再按加权和贪心地加入不重复的对。为了强调跨语料库对比，训练对全部为跨来源，测试对则包含同来源，以便在分布外条件下检验是否学到真实风格而非语料库身份。

文本相似度筛选 × 说话人相似度筛选： 文本相似度筛选负责控制语言内容带来的偏差，它用转写文本嵌入余弦相似度把配对双方拉到内容相近的区间；说话人相似度筛选负责控制音色和录音条件带来的偏差，它用说话人嵌入余弦相似度排除疑似同一说话人并优先跨语料库配对。二者搭配的理由是评价者可能把台词像动漫或音色特殊误判为风格，组合意义在于让每 1 对比较更接近只比发声方式和韵律处理。

理解这部分时不要把语言模型筛选当成内容理解的证明，它只是数据阶段的偏差控制；也不要把说话人嵌入聚类当成说话人识别的结论，它只是为了让后续比较更公平。这些组件的共同作用是让人类判断更可能落在发声方式上，为后面的声学分析和模型训练提供干净的监督来源。

冻结自监督编码器 × 双向长短时记忆网络排序头： 冻结自监督编码器的分工是把波形变成保留韵律、副语言和音色信息的帧级表示，且训练时不更新以减少过拟合到语料库身份；双向长短时记忆网络排序头的分工是沿时间整合这些帧并经平均池化和多层感知机输出一个标量风格分。二者搭配的理由是手工特征难以穷举动漫感的组合线索，而掩码预测类表示已被证明保留韵律和说话人属性，组合意义在于用同一打分函数对两个样本作差并接入排序损失来学习人类的比较结果。

排序模型如何训练与如何打分？

训练设置沿用成对比较的监督形式。模型把输入波形送入冻结的 SSL 编码器得到帧级特征，再经双向长短时记忆网络处理并做时间平均，得到定长表示后由多层感知机映射为标量分。英文术语需要固定：双向长短时记忆网络是 Bidirectional Long Short-Term Memory，缩写是 BiLSTM，后文统一简称 BiLSTM；多层感知机是 Multilayer Perceptron，缩写是 MLP，后文统一简称 MLP。论文明确冻结编码器，训练的是后面的 BiLSTM 与 MLP 部分。

监督来源是每 1 对的人类胜负标签。共享网络对 a 和 b 分别预测 sa 和 sb，优化目标是最小化成对逻辑损失，即对分差取 Sigmoid 后取负对数。直观理解是：如果人类选 a 更像动漫，模型就应让 sa 明显大于 sb；分差越大，损失越小。推理时对单条语音输出一个分数，对 1 对语音比较两分大小即可得到预测胜负。

成对一致率 × 排序曲线下面积： 成对一致率的分工是逐个声学代理指标地检验其高低方向是否与人类选择一致，回答单个线索是否可用；排序曲线下面积的分工是在全部测试对上度量模型按分差预测胜负的整体排序能力。二者搭配的理由是前者可解释但上限低，后者综合但不直接给出物理意义，组合意义在于先用一致率定位共振、连续性和发音等维度，再用曲线下面积证明联合学习表示的必要性。

需要如实指出未报告的缺项。原文没有给出优化器类型、学习率、批量大小、训练轮数和早停规则等关键超参数，也没有报告除 SSL 主干之外的结构消融。因此不能从模型名称推定具体实现细节，也不能把冻结编码器等同于系统输出完全确定。本节能确定的是参数冻结范围、梯度主要流向后端时序与映射层、监督来自人类成对标签、推理只依赖学到的标量分。

数据划分、听音协议与评价条件是什么？

数据划分的教学任务是确认比较的公平条件。最终语音池为 3000 条，其中训练 2500 条、测试 500 条，且语句与说话人在两部分之间不重叠。训练比较为 12500 对且全部跨语料库，测试比较为 2500 对且包含同语料库对。每对只收集 1 次判断，优先扩大覆盖到每条语音约 10 对，而不是对同一对重复打标。评价者通过 Lancers 远程有偿招募，共 187 人，每人完成 1 到 10 个会话，每个会话 25 次比较。

听音指导要求按自己的直觉选出更像动漫的一方，聚焦声音风格而非内容，并额外请评价者写下自己依据的短线索描述。人口统计显示男性 142 人、女性 45 人，年龄集中在 30 到 50 多岁，对动漫的熟悉度以中等和高等为主。

评价指标需要区分两个阶段。声学分析阶段用成对一致率度量单个代理指标与人类选择的方向一致性，并用自助法确认是否显著偏离随机；模型评价阶段用成对准确率、负对数似然和受试者工作特征曲线下面积度量排序能力，英文是 Area Under Curve，缩写是 AUC，后文统一简称 AUC。AUC 越高表示按分差排序越接近人类排序。

下图按语料展示了每条语音的经验胜率分布，是检验任务是否成立的关键证据，阅读时注意红色与蓝绿色的分离而非单个数值。

看图路径： 1. 先看横轴经验胜率从 0 到 1 的含义和纵轴计数的含义；2. 再对比训练集上面板与测试集下面板中红色与蓝色的分离位置；3. 最后看图例中三种语料在中间胜率区间的重叠是否很少

论文图 1。原论文 Figure 1：“Corpus-wise distribution of empirical win rate for (a) train and (b) test data.”。

这张图上面板为训练集、下面板为测试集，横轴是经验胜率从 0 到 1，纵轴是计数，图例区分 3 种语料。可见内容显示红色代表的动画来源语音集中在右侧高胜率区，尤其在接近 1 的位置形成高柱；蓝色和绿色代表的日常与多样风格语音集中在左侧低胜率区。两个面板呈现相似的分离形态，说明即使在测试集上人类判断依然能稳定区分动画来源与一般语音。这支持了动漫感存在可共享风格特征的前提，也为后续把胜率分组做声学对比提供了依据。

人类偏好揭示了哪些声学规律？模型效果如何？

在进入具体数字前，先提出本节要回答的比较问题：在控制内容和说话人混淆后，人类偏好的动漫感是否对应稳定的声学方向，以及手工特征联合建模与学习表示之间的差距有多大。公平条件是同一批 15000 对比较及其划分，指标方向是成对一致率和 AUC 都是越高越好，胜率越高表示越被判为更像动漫。

声学分析先按经验胜率取前 25% 与后 25% 做分组可视化，再用代理指标计算成对一致率。情感外显用唤醒度代理，一致率仅 52.2% 且为正向，说明单一情感维度很弱。音色差异用第一到第三共振峰中位数代理，一致率在 59.6% 到 61.5% 之间且偏好方共振峰更低，与简单高音的刻板印象相反。韵律显著性方面，平均基频仅 55.1% 且为负向，而浊音占比 59.5%、谱通量均值 60.0% 且为正向，说明被偏好的是更连续的发声能量而非更高的平均音高。发音清晰度方面，音节率 60.3% 为正向、停顿占比 60.0% 为负向、平均停顿长度 58.7% 为负向，而按发音时长归一的发音率 53.2% 为负向，揭示了整体流动快但停顿少、单个音段刻意咬字的矛盾策略。

下图把上述 3 个维度的可视化放在一起，阅读时不要把相关性直接读成因果，也不要把某一面板的趋势推广到所有语音。

看图路径： 1. 先看面板 a 中高胜率组与低胜率组在第一共振峰与第二共振峰平面上的中心偏移；2. 再看面板 b 中谱通量与浊音占比两组小提琴图的整体上移；3. 最后看面板 c 中音节率随归一化分数上升而发音率呈反向的交叉趋势

论文图 2。原论文 Figure 2：“Visualizations of acoustic proxies for anime-likeness speech.”。

这张图左侧面板展示第一共振峰与第二共振峰平面上的密度分布，高胜率组中心相对更靠低频共振区；中间面板用对称小提琴图展示归一化谱通量与浊音占比，高胜率一侧整体上移且中位数更高；右侧面板展示音节率随归一化分数上升而上升，发音率则总体走低并在高分区出现回落。可见内容支持论文的总结：受控共振、韵律连续性和密集而刻意的发音共同指向动漫感，而不是单一高音启发式。但这些仍是相关性证据，没有证明改变某个参数必然改变听感。

多变量逻辑回归把 11 个手工特征联合起来，在五折交叉验证下达到 63.4% 准确率和 69.3% AUC，说明多维度联合优于单维度，但仍存在明显上限。SSL 排序模型在同一测试对上大幅超过该基线，其中 HuBERT 达到 90.8% AUC。论文还报告在训练未见的同语料库测试对上模型保持相当的 AUC，支持其学到风格而非语料库身份。

下面两张表分别整理跨语料库胜率差异和两类方法的上限对比，阅读时注意单位与聚合对象不同，不能把胜率差值与 AUC 差值混为一列。

表后需要解释主要收益与代价。胜率表的收益是任务成立性得到验证：动画来源语音在两类对照中都占据高胜率区，说明评价者标准相对一致。代价是这种分离也可能混入录音和表演场景差异，尽管已有内容和说话人控制，仍不能完全排除残留偏差。未胜出项是部分一般语音也进入高胜率区，说明动漫感不是语料库身份的同义词，这恰好是需要在测试中加入同来源对的原因。

表后需要补充判断与限制。数字表明从手工代理到冻结 SSL 表示有实质跃升，HuBERT 的 90.8% 最强，且多维度联合优于单维度。但百分点差值不能读成相对百分比提升，准确率与 AUC 也不能混用。限制是原文只在文字中给出这两个关键 AUC，4 个主干的完整准确率与损失仅见于原表而本次无可绑定的原表像素，因此解读不展开逐主干排名，只保留有连续原句证据的结论。训练与推理成本、延迟和误判率均未测量，不得承诺这些量得到改善。

哪些对照支持掩码预测表示更合适？

消融的教学任务是回答表示目标的影响。在相同后端与相同训练测试条件下，论文比较了 4 种 SSL 主干。报告的趋势是掩码预测模型优于对比模型，HuBERT 与 WavLM consistently 超过 wav2vec 2.0，data2vec 居于中间。论文给出的有限解释是掩码预测更鼓励编码韵律、副语言和说话人属性，而不仅是音素内容，这与动漫感的多维感知维度更对齐。

需要区分直接报告与待验证推测。直接报告的是排序性能的相对顺序和最强 AUC；有限解释是上述关于表示内容的引用性分析；待验证的是该解释是否真正因果成立，因为论文没有做探针或干预实验来证明是韵律信息起了决定作用。也未报告除主干之外的结构消融，例如去掉 BiLSTM 或改变池化方式会怎样，因此不能补写拿掉后必然下降多少。

另一个隐含对照是跨来源与同来源测试。训练只见跨语料库对，测试加入同语料库对后仍保持相当 AUC，这是一个有力的泛化证据。它不支持把模型简单理解为语料库分类器。但边界同样明确：测试仍来自同一 3 个语料的采样池，没有评估完全陌生录音环境或非日语下的表现，因此不能把结论推广到全域。

在什么边界内理解结论才安全？

论文明确列出的局限包括数据规模中等、人群不平衡、缺少除 SSL 主干之外的结构消融。187 名评价者中男性占约 76%，年龄偏向 30 到 50 多岁，评价者自身的性别与年龄分布可能影响对动漫感的感知，但论文没有按人群分组报告一致性，因此不能判断结论在女性或年轻群体中同样成立。

方法边界还包括自由描述的分类方式。评价者先写无约束的线索，再由大语言模型映射到 5 个预设维度，这种闭集分类的可靠性依赖模型与人工的一致性，论文引用了相关文献但没有在本数据上报告复核比例，因此应视为有限解释而非金标准。声学代理本身也是近似，例如用唤醒度代表情感外显、用共振峰中位数代表音色，这些代理不能穷举真实感知维度。

应用边界是奖励信号的设想尚未被验证。论文提出排序分数可作为生成模型偏好优化的奖励，但没有实际训练生成模型并做听音验证，因此只能说具备作为奖励的接口形态，不能承诺按此优化一定提升动漫感或不损害自然度与可懂度。

若要复现，应先准备什么与先验证什么？

复现的第一步是重建可比的数据条件，而不是直接训练大模型。需要准备 3 个方向的日语语音：动画来源、日常电视语音和多样网络语音，并记录各自的转写。接着复刻 3 阶段筛选：用语言模型对转写做动漫文本相似度打分并只保留低分，用增强与质量模型过滤时长与 MOS，用说话人嵌入做多样性采样并保证训练与测试在语句和说话人上不重叠。原文给出的可操作阈值包括文本分小于等于 2、时长 2 秒到 10 秒、预测 MOS 大于 3，这些应原样保留。

第二步是复刻配对逻辑。对每条语音同时计算文本嵌入相似度和说话人嵌入相似度，排除文本太远或疑似同一说话人，优先跨来源贪心组对，训练对全部跨来源、测试保留一部分同来源。听音时每对只判 1 次，扩大覆盖而非重复标注，并要求评价者聚焦风格而非内容，同时收集自由描述以备后验分析。

第三步是复刻两类建模。先用共振峰、基频、浊音占比、谱通量、音节率、发音率、停顿占比等代理指标计算成对一致率，再在其差值上训练逻辑回归得到约 69.3% 量级的上限参照；再用冻结 SSL 编码器加 BiLSTM、平均池化与 MLP 训练排序模型，验证是否显著超过手工基线并在同来源子集上保持稳定。由于原文未报告优化细节，复现时应如实记录自己的优化器与早停选择，不把复现结果与原文数字的微小差异当成方法失败。

何时值得尝试这种偏好排序做法？

当目标属性没有公共绝对量表、但人类能稳定做相对判断时，这种做法值得尝试。动漫感符合该条件：绝对打分漂移大，成对选择更可靠，且排序模型天然输出可比较的分数。复现时应先做小规模成对标注并检查动画来源是否在胜率分布上与一般语音分离，若分离不明显，应先怀疑内容或说话人混淆没有控制好，而不是直接扩大模型。

评价指标 × 奖励信号： 评价指标的分工是在不请听音者的情况下对生成系统做快速筛选，输入一条语音就输出一个动漫感分数；奖励信号的分工是在生成模型优化阶段提供偏好方向，分数差越大表示越符合目标风格。二者搭配的理由是同一排序模型既能做离线比较又能接入偏好优化，组合意义在于把 1 次数据收集同时变成可复用的自动量尺和可训练的目标函数，但前提是承认其只在所覆盖的日语和语料分布内被验证。

最后需要回到初学者的可核对清单。记住 3 个可复述的动作：用内容与说话人双重相似度构造公平的比较对，用成对一致率定位共振、连续性与发音等方向，用冻结表示加排序损失学习综合判断。记住两个数字的适用条件：69.3% 是手工特征在全部比较上交叉验证的上限参照，90.8% 是 HuBERT 主干在 held-out 比较上的最强排序结果，二者指标同为 AUC 但实验聚合不同，不能直接相减当成可部署收益。记住一项待补验证：把分数真正接入生成模型优化并重新做人类偏好测试，否则奖励信号仍停留在设想层面。

⚖️ 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