抬得最高的人最难认：女性自主提调与合成提调的说话人识别效应

英文题目：Assessing the effect of volitional and synthetic pitch raising in female speakers on automatic speaker recognition

会议身份：conference:interspeech:2026:conference-paper-id:patman26_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：#统计分析 #鲁棒性 #发声与构音 #语音 #说话人验证

评分：5.4/10 | 创新 1.1/2 | 技术严谨 1.1/1.5 | 实验充分 0.8/1.5 | 清晰度 0.8/1 | 影响力 0.8/1.5 | 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：应用研究

👥 作者与机构

• Chloe Patman：机构信息未能从会议 PDF 纯文本可靠映射
• Linda Gerlach：机构信息未能从会议 PDF 纯文本可靠映射
• Anil Alexander：机构信息未能从会议 PDF 纯文本可靠映射
• Finnian Kelly：机构信息未能从会议 PDF 纯文本可靠映射
• Kirsty McDougall：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

本研究处理法庭场景下女性说话人故意抬高音高后的说话人验证问题，输入为默认与抬高音高的朗读语音对，输出为是否同一说话人的相似度与系统错误率，难点在于抬高策略因人而异且女性基线基频已较高。方法链分为三步：先用频谱x向量系统VOCALISE生成跨条件相似度分数与动物园图，其输出的易混说话人直接进入下一步的个案剖析。再用Praat长时基频分析与听辨分析刻画每位说话人的抬高幅度、动态范围与音质策略，最后在更大样本上用合成基频提升做隔离对照以检验纯音高因素。与既有男性研究相比，本文机制差异在于同时考察音高极端程度、音高动态范围受限以及喉部紧张等协同策略，而非仅看基频均值偏移。在PASR女性语料下，默认对抬高比较的等错误率为14.4%，高于默认对默认比较的等错误率0.0%，且误差主要由个别说话人驱动。该结论在自发语音中的泛化能力尚未验证，且合成对照受限于未能复现真实伪装策略。结论仅适用于受控朗读与训练有素的发音人，无法直接外推至自发情感尖叫或普通伪装者。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，必须保留哪些信息？

输入是本篇论文的 2 个实证部分，目标是让刚进入语音领域的研究生能复述方法与条件。必须保留的信息包括 3 名女性自主提调的默认-默认与默认-抬高比较，16 名女性的 5 档合成提调，谱 x-vector 系统与 EER 指标，以及个人差异大于平均效应的结论。

输出是 1 篇可核对的技术解读，不做超出证据的推广。法庭语音案件里常见的 1 种伪装是故意把声音说尖，白话说就是说话人主动收缩喉部肌肉、加快声带振动，让听起来音高变高。英文叫自主提调，声学对应物是基频即 f0 升高。

对人类听众而言，音高只是区分声音的线索之 1。当比较音高相近的人时，音色、共振峰和发声方式等个人特征更重要。对机器而言，ASR 要把 1 段录音变成固定维度的说话人嵌入，再用打分判断 2 次录音是否同一人。

如果嵌入主要学习短时谱包络，那么单纯抬高 f0 不一定直接改变嵌入。但抬高时附带的喉头上抬、声带张力变化和谐波结构变化会改变谱形状，从而让同一个人前后听起来不像自己，甚至更像别人。女性说话人值得单独研究，有证据显示女性平均 f0 约 200 Hz，男性约 120 Hz。

女性自主提调幅度约 2.1 到 13.5 ST，小于男性的 4.5 到 20.5 ST，且女性很少切换到假声，多数保持在真声即模态发声内。这意味着女性的伪装策略与男性不同，机器受到的扰动方式也可能不同。以往男性研究已发现总体指标变差但个人差异极大。

有人只靠加快声带振动影响有限，有人叠加喉部动作则误差大增。本研究把同一思路搬到女性，问题是平均降级背后是谁在驱动，以及只平移 f0 的合成操作能否代替真实伪装。

人类听辨与男性伪装研究划了什么边界？

人类感知方面，已有工作让听众判断男性声音的相似度，发现当说话人原本同属低、中、高音高组时，合成地平移 f0 并不改变组内相似度判断。只有跨越全部说话人比较时，中等音高重合成的声音差异感更大。

这提示在音高相近的人群里，个人特有的语音学属性决定了独特性。对机器的启示是不能只看 f0 绝对值，要看说话人在人群分布中的相对位置，以及除 f0 之外的谱特征。

男性自动识别方面，标准汉语男性的研究显示自主提调后正确识别率从默认声音的 90 % 跌到 10 %。英语 6 名男性的研究显示默认与抬高比较产生很高的对数似然比代价，系统性能下降。

但细看个人，有人中位 f0 最高、默认到抬高差值最大，同时用了声带振动加喉头上抬和声带紧张，代价最高。只用声带振动的人代价较低，这为本研究提供了可直接对照的假设。

性别差异方面，已有伪装研究统计了 30 名男性和 34 名女性。男性 12 人保持模态、13 人转假声、5 人混合，女性仅 2 人用假声。这说明女性的实验更可能观察到模态内的连续调节，而非发声机制的跳变。

本研究因此聚焦女性，不是重复男性结论。而是检验在更高基线、更小位移、更少假声的条件下，个人策略是否仍然主导系统误差。

本文要回答哪 3 个问题，什么不答？

第 1 个问题是自主提调如何影响系统区分女性说话人的能力。这里区分指同说话人试次得分高于异说话人试次的程度，用 EER 衡量。EER 是误接受率等于误拒绝率时的工作点，越低越好。

第 2 个问题是哪些语音学因素可以解释个人间的性能差异。候选因素包括抬高后的中位 f0 绝对值，默认到抬高的差值，音高起伏即语调活动度，以及听辨判断的喉部动作。

第 3 个问题是合成提调能在多大程度上复现自主提调。以便在缺少大规模自主伪装数据时做替代。不回答的问题同样重要，本文不比较不同识别模型孰优孰劣，只用 1 个谱 x-vector 系统。

本文不做校准后的似然比评估，明确说明分析聚焦对校准不敏感的指标。本文不检验情感或尖叫导致的极端变化，只研究作为伪装的自主提调。本文不声称合成等于自主，而是把合成当作只隔离 f0 位移的试点。

本文的结论都限定在已用数据和已用系统内。跨系统、跨语种和外行说话人的推广都留作待验证。

2 条实验线如何分工，1 段录音走过哪些步骤？

方法全景是 2 条线共用 1 个后端。第 1 条线是自主提调线，用 3 名女性语音学家的朗读录音。每人在 2 个会话各录 3 次默认和 3 次抬高，共产生 27 个同说话人试次和 54 个异说话人试次。

比较默认-默认和默认-抬高 2 种条件。第 2 条线是合成提调线，用 16 名南英格兰标准口音年轻女性的朗读录音。每人取 2 次非同时录音，把第 2 次录音的长时 f0 按低、轻、中、高、极端 5 档上移，再与第 1 次默认录音比较。

2 条线都送入同一个谱 x-vector 模型打分，再用 EER 和动物园图分析总体与个人表现。

自主提调 × 合成提调： 自主提调指说话人主动用肌肉控制抬高音调，可能同时收紧声带、抬喉与压缩音高起伏；合成提调指用 Praat 脚本只按半音数整体平移长时 f0 而不改变其他发音动作。两者搭配的原因是前者生态有效但样本稀少，后者可控且能扩大人数，组合意义在于检验单纯的 f0 位移能在多大程度上复现真实伪装的系统降级。

沿 1 个样本走完全程有助于理解。取 P5 的 1 段抬高朗读，时长约 25 到 35 秒，采样率 48 kHz，单通道。系统先按 25 ms 汉明窗、10 ms 帧移分帧，每帧提取包含能量的 22 维梅尔频率倒谱系数即 MFCC。

MFCC 表征短时功率谱包络，然后深度网络把变长帧序列聚合成固定维度 x-vector。再对默认模型与测试样本的向量打分，分越高越相似。声学侧另有 1 条并行分析，用 Praat 长时 f0 脚本在 100 到 600 Hz 范围内统计均值、中位和标准差。

并计算最大与最小 f0 之差得到音高起伏。听辨侧由第 1 作者和另 1 名语音学家判断有无喉头上抬和起伏受限。最终把机器得分、声学数字和听辨标签放在一起解释谁变难认、为什么难认。

谱 x-vector 后端到底计算了什么？

谱模型这个词容易误解为只看频谱不看音高。白话说它看的是声音的音色形状，即共振峰位置、谱倾斜和谐波包络，而不是直接读 f0 数值。实现上是把信号切成重叠短帧，做傅里叶变换、梅尔滤波、对数和离散余弦变换得到 MFCC。

再用神经网络做帧级建模和段级池化，输出说话人嵌入。VOCALISE 2021 版本即本文用的商用系统封装了这 1 流程，文中明确说明它没有被训练去检测合成语音。因此合成样本的得分变化可以归因于声学改变而非合成检测器。

基频 × 自动说话人识别： 基频即 f0 负责提供音高高低的信息，对应声带振动频率；自动说话人识别即 ASR 负责从短时谱包络抽取说话人嵌入并打分。两者搭配的原因是 x-vector 主要建模谱形状而非直接读 f0 数值，但提调附带的共振峰移动、谱倾斜变化和谐波结构变化会扰动嵌入，组合意义在于区分直接的音高位移与伴随的音质策略对系统的影响。

评估组件包括 EER、x-vector 得分和动物园图。EER 只关心同与异 2 类得分分布的重叠程度，重叠越大 EER 越高。x-vector 得分保留连续相似度，能看到 P5 抬高后同说话人得分下移、异说话人得分上移。

动物园图把横轴记为异说话人平均分、纵轴记为同说话人平均分。右上为变色龙即自己像自己也像别人，左上为鸽子即只像自己不像别人，另有蠕虫和幻影对应自己不像自己等情况。这种分解是必要的，因为 3 人平均的 EER 会掩盖真正犯错的人。

声学与听辨分析如何给机器误差配上解释？

声学分析负责给出可复算的数字，听辨分析负责给出肌肉动作的假设。声学侧用长时 f0 脚本输出每段录音的中位、均值和标准差，并换算成半音即 ST。半音是音乐与语音常用的相对音高单位，差值计算为 12 乘以以 2 为底的频率比对数。

该换算能消除男女基线不同带来的绝对值偏差。音高起伏取段内最大 f0 与最小 f0 之差再转半音，反映语调是平直还是起伏。听辨侧由 2 名语音学家独立听是否出现喉头上抬、声带紧张和起伏受限。

不做声学测量时无法确定的推断。

x-vector 得分 × 动物园图： x-vector 得分负责量化 2 次录音的嵌入相似度，分越高越像同一人；动物园图负责把每个说话人的同说话人均分与异说话人均分放在 2 维平面上寻找离群类型。两者搭配的原因是单一 EER 会掩盖具体是谁在犯错，而 2 维分布能定位鸽子与变色龙等类型，组合意义在于把总体误差分解到个人可解释的行为上。

搭配理由是机器只告诉你分变了，不告诉你为什么变。声学数字能验证抬了多少，听辨能提示除了抬高还做了什么。例如 P5 中位抬高后达 342 Hz，从默认抬高约 9.8 ST。

该数值显著高于 P7 的 7.6 ST 和 P8 的 5.1 ST，同时听感上起伏受限、声学上抬高后起伏反而小于默认。这就把误差与极端位移加平直策略联系起来，没有这层分析，EER 升高只能报告不能解释。

本研究训练了什么，没有训练什么？

本研究没有训练任何说话人识别模型，也没有微调嵌入网络。VOCALISE 的谱 x-vector 模型是作为冻结的既有系统直接调用的，文中只说明用它做非同时样本的同与异比较。

没有报告训练数据、损失函数、优化器、梯度路径或参数更新，因此不能从模型名称推定其训练细节。同样，Bio-Metrics 3.0 只是性能指标计算软件，负责从得分算 EER，不涉及学习。

实际执行的计算是推理与测量。推理指把默认与抬高或合成样本送入冻结模型得到相似度分数，测量指用 Praat 脚本算 f0 分布、用自定义脚本按指定半音量平移长时 f0、用听辨做策略标注。

合成部分也不是声码器训练，而是基于信号处理的重合成。保持时长与内容不变，只改变 f0 轨迹，复现时不需要准备 GPU 训练流程。需要准备的是同一版本或等价谱系统的推理环境、相同的窗长帧移与 MFCC 维度，以及相同的试次划分，否则得分绝对值不可比。

数据、划分、指标与公平条件如何锁定？

自主部分用 PASR 库的 3 名女性语音学家，其中 P5 和 P8 为英语母语，P7 为西班牙语母语、英语为第 2 个语言。录音为演播室质量 48 kHz 朗读英语段落，每段 25 到 35 秒。

设计上每个会话取 3 次默认和 3 次抬高，2 个会话合并后做非同时比较，避免同一录音自比带来的乐观偏差。试次总数为 27 个同说话人、54 个异说话人，条件分为默认-默认与默认-抬高。

局限是样本仅 3 人、1 人非母语、发音人均为受过喉部控制训练的语音学家，可能不代表普通人的伪装能力。但公开的此类操纵数据稀少，作者将其定位为高控制条件下的起点。合成部分用利兹多会话库的 16 名 18 到 35 岁南英格兰标准口音女性，录音 44.1 kHz 朗读段落。

每人选 2 次非同时录音，合成只改第 2 次录音的长时 f0。档位为加 1.5 ST、2.5 ST、3.5 ST、7 ST 和 10.5 ST，最大档对齐自主部分观察到的 9.8 ST 极端值，以保证可比性。每档做 16 个同说话人、240 个异说话人比较，条件记为默认-合成 A 到 E。

指标统一为 EER，方向是越低越好。比较时保持模型、试次结构和非同时约束一致，只有 f0 操纵程度不同。统计上未报告置信区间与显著性检验，动物园图离群判断为描述性，未做校准。

下表把自主线的试次规模与总体误差放在一起，公平条件是同一系统、同一组 3 人、同一非同时划分，只改变测试侧是否为抬高，指标方向是 EER 越低越好。

表后解释需要同时看到基线与代价，默认-默认的零误差说明系统在这 3 人同条件下区分力极强。这为跨条件降级提供了干净基线，默认-抬高升至 14.4 报告了伪装的总体代价。

但后文分数图显示代价集中在 P5 身上，P8 仍保持分离，P7 居中。若只引用平均值会误以为 3 人均匀变差，实际是个人策略驱动。未胜出项是语言背景不能解释最差者，因为 P5 恰为英语母语之 1，反而 P7 的非母语独特性可能部分保留了可分性，这是需要更大样本验证的边界。

自主提调让谁变难认，声学数字指向什么策略？

主结果是总体降级但个人主导，默认-默认的同与异 x-vector 得分分离良好。默认-抬高出现不同程度重叠，其中 P5 抬高后同说话人得分下移、异说话人得分上移。机器觉得她不像自己而更像别人，P8 的重叠最小，维持了可分性。

这支持语音学策略差异的解释，而非单纯的音高位移。

等错误率 × 默认-抬高比较： 等错误率即 EER 负责报告误接受等于误拒绝时的工作点，数值越低越好；默认-抬高比较即 D-R 负责用 1 次默认录音与 1 次抬高录音构成试次，模拟嫌疑人与检材音高不一致的法庭条件。两者搭配的原因是只有跨条件试次才能暴露伪装代价，而同条件默认-默认比较只提供上限基线，组合意义在于把伪装效应量化为可对比的误差增量。

声学上 3 人默认中位 f0 相近，都落在女性预期分布中部，抬高后分化。P5 抬高后中位最高达 342 Hz，从默认抬高约 9.8 ST，P7 约 7.6 ST，P8 约 5.1 ST。听辨未发现明确喉头上抬，但 P5 抬高后音高起伏受限。

声学起伏图也显示其抬高后起伏小于默认，与另 2 人抬高后起伏增大形成反差。这与男性最差者既抬喉又紧张不同，女性的最差者表现为极端位移加平直高音。教学例子是想象 3 个人都把平均音吊高，但 1 人全程绷成 1 条细高线。

另 2 人还保留上下起伏，系统更容易在平直高线上丢失个人共振峰动态。以下箱线图是理解个人差异的关键，导读先确认坐标与颜色，再比较中位与离散，最后联系策略，该图纵轴为 F0，单位是 Hz，绿色箱体位置低而黄色箱体位置高。

看图路径： 1. 先看纵轴为 F0 Hz，确认下方绿色为默认、上方黄色为抬高；2. 再比较 3 组黄色箱体的中线高度，确认最左侧 1 组是否最高；3. 最后看中间 1 组黄色箱体的下须是否拉得最长，判断离散差异

论文图 1。原论文 Figure 2：“Boxplot of default (green) versus raised”。

图中可见 3 组绿色默认箱体都压在 200 Hz 附近，中线接近、箱体矮，说明基线可比。3 组黄色抬高箱体明显上移但高度不同，最左侧 1 组黄色箱体中线最高、整体位置最高且箱体相对紧凑，对应 9.8 ST 的最大位移。

中间 1 组黄色箱体下须拖得很长，说明段内或段间波动大，最右侧 1 组黄色箱体位置最低。像素不能精确读出须端数值，不硬写具体 Hz 数值，结论只依赖原文报告的中位与半音差。这一分布支持最差者抬得最高且最平的判断，也为合成档位最高设为 10.5 ST 提供了对齐依据。

只看位移或只看起伏能否解释误差？

把位移与起伏拆开看相当于 1 种概念上的消融。只看位移，P5 位移最大、误差最大，似乎成立，但合成线显示同样位移加给不同基线的人效果不一致，说明位移不是充分条件。

只看起伏，P5 抬高后起伏受限而误差大，P7 抬高后起伏大到约 4 ST 而误差居中，说明起伏方向与误差不是单调关系。原文因此强调是位移幅度、绝对位置与起伏模式的组合，外加未被合成捕获的音质策略，共同决定了误差。

音高偏移 × 音高起伏： 音高偏移指中位 f0 从默认到抬高抬了多少 ST，反映努力程度；音高起伏指录音内最大与最小 f0 之差，反映语调活动度。两者搭配的原因是同样抬高 8 ST 的人可以用平直高音也可以用大起伏高音实现，系统对 2 者的敏感度不同，组合意义在于解释为何抬得最高且最平的人识别损失最大。

下图把起伏的个人差异画得更直观，导读先看单位与图例，再找反常的柱子，该图纵轴为平均音高起伏，单位是 ST，绿色为默认条件而橙色为抬高条件，共 3 组配对柱子。

看图路径： 1. 先看纵轴为 Mean Pitch Excursion (ST)，确认绿色为默认、橙色为抬高；2. 再比较 3 组橙色柱高度，确认最左侧 1 组是否不增反降；3. 最后看中间 1 组橙色柱是否接近 4 ST，判断起伏异常增大

论文图 2。原论文 Figure 3：“Barchart of pitch excursion in STs for default”。

图中纵轴为平均音高起伏，单位是 ST，绿色为默认、橙色为抬高。最左侧 1 组说话人的橙色柱略低于绿色柱，是 3 人中唯一抬高后起伏不增反降者，对应听辨的起伏受限。

中间 1 组说话人的橙色柱高达约 4 ST，远超其绿色基线，最右侧 1 组说话人的橙色柱略高于绿色。结合前 1 张图，起伏受限者恰是位移最大、中位最高者，2 种不利因素叠加。

这解释了为何合成只平移 f0 不能复现该说话人的误差，因为合成保留了原有的起伏轮廓，没有制造出平直高音的谱效应。未评测的边界是喉头高度与声带紧张的连续测量，本文只有定性听辨，无法量化它们对谱包络的贡献。

哪些结论站得住，哪些只是待验证推测？

直接报告的是总体 EER 变化与个人得分分布。自主线默认-默认零误差、默认-抬高 14.4，合成线默认-默认 3.9 随档位升至极端档 15.2，这些是系统在给定数据上的实测。有限解释的是最差者具有最高抬高后中位、最大默认到抬高差和受限起伏。

这有声学与听辨双重支持，但样本仅 3 人，不能排除偶然。待验证的是喉部策略的因果作用、语言背景的保护效应，以及基线处于分布极端者更独特的推论，这些在 16 人合成线中只是描述性离群，未做统计检验。

缺失证据不是技术错误，但限制了推广。PASR 仅 3 名训练有素的语音学家，LMS 虽有 16 人但全为年轻南英格兰口音女性，且合成保留了原起伏。硬件预算、推理延迟、误判率的人工复核成本均未报告，不能声称方法改善了效率。

总体趋势不等于每档每人都变差，原文明确指出合成对个人的影响不一致。有人成为变色龙，有人因 2 次默认样本自身 f0 波动成为幻影。相关性不等于因果，极端抬高与高误差共现，不能直接断言抬高必然导致误差，还需控制音质策略的大样本验证。

下表整理合成线的档位与总体误差，公平条件是同一组 16 人、同一模型、同一非同时划分，只改变合成位移量，指标方向仍是 EER 越低越好，试次规模全程锁定为 16 个同说话人与 240 个异说话人。

表后需要同时承认趋势与反例，总体上误差随位移增大而上升。极端档与自主线的 14.4 量级相近，似乎支持位移解释，但个人层面并无一致效应。基线在低端与高端的鸽子在 3.5 ST 后失去独特性，低中段的人在不同档位变为变色龙。

而 S06 这类幻影因 2 次默认样本自身 f0 不一致导致合成相对量被放大。未胜出项是合成不能预测自主的附加策略，因此不能把合成误差当作伪装代价的可部署估计，极端档的高误差也不代表真实伪装都会这么高，因为伪装者可能为求自然而只做 subtle 调整。

要复现这项研究，第 1 步先锁定什么？

先锁定数据与划分，申请 PASR 的 3 名女性子集。确认 2 个会话各 3 次默认与 3 次抬高的朗读段落，采样率 48 kHz，复算 27 个同说话人与 54 个异说话人试次。

再准备 LMS 的 16 名女性的 2 次非同时朗读，采样率 44.1 kHz。复算每档 16 个同说话人与 240 个异说话人试次，不要混入同时录音或跨语种朗读，否则基线不可比。

再锁定系统与参数，用 VOCALISE 谱 x-vector 或等价的 22 维含能量 MFCC、25 ms 汉明窗、10 ms 帧移的谱系统做冻结推理。不做训练与校准，用 Bio-Metrics 或等价代码算 EER，声学侧用 Praat 长时 f0 脚本在 100 到 600 Hz 范围内统计中位与起伏，并换算半音。

合成侧用 Praat 自定义脚本整体平移第 2 段录音的长时 f0。档位取 1.5 ST、2.5 ST、3.5 ST、7 ST 和 10.5 ST，复现检验点是默认-默认基线能否回到自主线 0.0 附近与合成线 3.9 附近。

以及 P5 的 9.8 ST、P7 的 7.6 ST、P8 的 5.1 ST 位移能否重算出来。若基线偏离，先查窗长、特征维度和试次划分，而非调模型。资源状态必须如实说明，本次收到的证据中没有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。

不得声称代码、模型或数据已公开，PASR 与 LMS 在原文中为受限获取。VOCALISE 与 Bio-Metrics 为商用产品，复现前需单独确认可用性与版本一致性。

何时值得参考这篇论文，还差哪项验证？

当法庭或产品场景担心嫌疑人故意说尖时，这篇论文值得参考。它提醒你不要只看平均 EER，而要用动物园图定位是谁在犯错，再用中位 f0、位移半音和起伏 3 联征解释。

当基线处于人群极端的人被抬到更极端，或抬高伴随起伏压平时，要预期更大的识别损失。当只有小样本自主数据时，可以用合成做灵敏度探针，但必须明确标注合成只隔离了 f0 位移，没有复现喉部动作。

还差的大样本验证是招募普通人而非语音学家。覆盖不同口音与年龄，同步记录喉头高度、声带紧张的连续生理或声学代理量，并检验情感导致的极端提调与伪装性提调是否遵循同一误差机制。

只有在那样的多说话人自主数据上，才能区分个人特质与群体规律，给出法庭可用的操作建议。在此之前，结论应表述为自主提调可能通过个人策略显著降级系统，合成提调不能作为其代理，而非所有女性抬高都会均匀变难认。

⚖️ 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