组平均显著、个人却各走各路：嗓音品质声学关联的说话人依赖

英文题目：Acoustic correlates of voice quality settings: variation within and between individual speakers

会议身份：conference:interspeech:2026:conference-paper-id:paver26_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 #发声与构音 #语音 #语音属性识别

评分：5.7/10 | 创新 1.2/2 | 技术严谨 1.2/1.5 | 实验充分 0.8/1.5 | 清晰度 0.8/1 | 影响力 0.9/1.5 | 开源 0.0/1.5 | 可复现 0.3/0.5 | 工程/实践 0.5/1.5

排名：前50% | 文档类型：应用研究

👥 作者与机构

• Alice Paver：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

本文输入为4名英音男性语音学人员以默认嗓音和5种非默认嗓音朗读连续语音，输出为倾斜度、噪声与长时共振峰指标能否稳定指示喉部与声道设置，难点在于习惯基线高度个体化且喉部与声道调节相互耦合。首先用Montreal Forced Aligner做音素级强制对齐并仅保留元音段，为声学测量提供干净分析单元；接着将其输出送入VoiceSauce与Praat提取CPP、谱倾斜、HNR与LTF F1至F4并按说话人与设置求均值与标准化，得到可比的长时参数；最后拟合嗓音设置、声学指标与说话人三重交互的线性混合效应回归并用估计边际均值做默认对非默认成对比较。相对以往跨说话人求平均的做法，该文把说话人作为交互因子而非噪声平均掉，从而分离组趋势与个体实现路径。在默认对照非默认嗓音的成对比较设置下，组层面设置与指标交互的指标F值为24.7，高于个体层面三重交互的指标F值3.34。结论仅适用于英音男性模仿嗓音的元音长时测量，电话信道、噪声、女性嗓音与自然习惯变异均未验证。上述结论的适用边界受限于小样本模仿数据，跨信道与自然变异外推尚未验证。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

输入是什么：为什么嗓音品质研究要先谈主观与客观之争？

这篇论文的输入是同一批说话人用不同嗓音品质读同一段文字的录音，目标是检验常用的声学测度能否可靠指示发音设置。刚进入语音领域的学生容易以为声学测量天然客观，把感知评估当主观、把仪器数值当真相。论文开篇就提醒这种二分并不可靠。感知评估常用嗓音剖面分析，用 1 到 3 级评价偏离假设中立嗓音的程度，确实耗时且依赖专家。但声学测量同样要做大量人为决定，用什么软件与算法、最大频率取多少、按几个共振峰跟踪，都会改变结果。

更关键的是所谓中立或 modal 嗓音并不是跨说话人统一的声学零点，而是每个人自己的习惯配置。论文因此改用默认嗓音一词，指个人的基线。没有这个基线，单看一个 H1-A1* 数值无法判断它是气嗓、习惯特征还是解剖差异。

嗓音品质 × 默认嗓音： 嗓音品质指说话人习惯性的发音设置组合，负责描述偏离中立状态的听觉色彩；默认嗓音指该说话人自己的基线习惯配置，负责提供比较起点。二者搭配的原因是所谓中立嗓音在声学上并不统一，只有先固定个人默认，才能判断 1 次气嗓或鼻音是真正的设置改变还是本来就有的个人差异。

本解读默认从原文独立写作，不引入外部评价。当前没有完成超链接状态验证的开源资源证据，因此不声称代码、模型或数据已公开。读者若要复述方法，应抓住一条主线：同一说话人、同一文本、多种可控嗓音装扮，比较每种装扮相对本人默认的变化，再看这种变化在组平均与个人层面是否一致。

术语小抄：第一次出现先白话再英文

嗓音品质指习惯性发音设置的听觉色彩，英文为 voice quality，缩写 VQ。默认嗓音指个人基线习惯嗓音，英文为 default voice，缩写 DEF。气嗓指声门漏气多、闭合缓慢的发声，英文为 breathy，缩写 BRT。鼻音指软腭下降、鼻腔耦合的设置，英文为 nasal，缩写 NAS；去鼻音为其反义，英文为 denasal，缩写 DEN。

舌体前移指舌体向前，英文为 fronted tongue body，缩写 FTB；喉下降指喉头降低，英文为 lowered larynx，缩写 LLX。频谱倾斜指能量随频率衰减的斜率，英文为 spectral tilt。倒谱峰突出度指倒谱主峰的相对高度，英文为 cepstral peak prominence，缩写 CPP。谐波噪声比指周期与噪声能量之比，英文为 harmonics-to-noise ratio，缩写 HNR。

长期共振峰指长时间平均的共振峰频率，英文为 long-term formants，缩写 LTF。后文统一用这些简称，避免中英文混用造成的回指混乱。

相关路线在测什么：喉部测得多，声门上测得少

已有工作主要围绕喉部与发声设置，如气嗓与嘎裂嗓。常用测度有 3 类。第一类是频谱倾斜，包括 H1-A1*、H1-A2*、H1-A3*、H1-H2* 与 H2-H4*，前三者比较第一谐波与靠近第一、第二、第三共振峰的谱峰幅度，反映低频谐波能量与高频能量的总体平衡；H1-H2* 看低频区第一与第二谐波差，H2-H4* 看稍高稍宽频段的衰减。气嗓因声门闭合缓慢、气流大，高频衰减更快，倾斜值通常更大。

鼻音也被报告会增大频谱倾斜，与气嗓在声学上相似。第二类是噪声相关测度，包括倒谱峰突出度与谐波噪声比。周期性强、谐波清晰规则则倒谱峰突出度高；气嗓、嘎裂或 noisy 发声则低。谐波噪声比是周期能量与非周期能量之比，气嗓或嘎裂通常低于 modal。

第 3 类是长期共振峰，被认为更能区分声门上设置。早期对 2 名说话人的经典工作指出，改变声门上设置时喉部相关的长期谱变化不大，而共振峰频率是较好的区分者。近期对 15 名捷克说话人的可控嗓音改变研究发现，圆唇与咽化提高 F2，腭化降低 F2，张口提高 F1。 论文指出的缺口有三点。第一，多数研究跨说话人平均，可能把人际差异误读成品质效应。

第二，很少在个人内检验同一人换装扮时的变化，而这正是法医语音比较最关心的 within-speaker 变异。第三，声门上设置的可靠声学关联仍未建立，且以往多用稳态元音，对连续语流的适用性有限。这就引出本文两个研究问题：是否存在声门上设置的可重复声学关联；这些关联是跨人稳健还是依赖说话人。

与捷克多说话人研究的异同：同目标不同语言与人群

把本文与近期 15 名捷克说话人的可控品质改变研究放在一起，有源对照更清楚。相同点是输入同为同一人多装扮、目标同为分离品质效应与人际变异、运行阶段同为朗读受控录音而非法庭退化语音。不同点是语言换成英国英语，人群换成 4 名男性语音学者，设置覆盖默认、气嗓、舌体前移、鼻音、去鼻音与喉下降。捷克研究曾报告圆唇与咽化提高 F2、腭化降低 F2、张口提高 F1。

本文描述性看到降低喉或前移舌应改变声道长度，但舌位与共振峰的统计关联未达显著，作者把原因归于人数太少。这不是谁胜谁负，而是条件不同：语言、人数、性别与具体装扮都不同。教学意义是跨研究比较必须先对齐这四项同输入、同目标、同监督与同运行阶段，否则类别差异会被误读成方法优劣。

要回答的两个问题是什么：组规律能否落到个人？

论文把问题收敛为两句。第一，有无证据支持某些声门上嗓音品质存在可靠声学关联。第二，声学关联是跨说话人稳健，还是随说话人而变。为此它采用与捷克研究类似的思路，但换成英国英语，让同一说话人产生多种嗓音装扮，从而把与品质有关的声学变化从更宽泛的说话人特异变异中分离出来。关键设计是每 1 次比较都以本人默认嗓音为参照，而不是以抽象的 modal 为统一零点。

组层面先看某种设置平均是否显著偏离默认，个人层面再看每个说话人是否都出现同方向显著变化。只有两层都成立，才敢说该测度是稳健关联；若组显著但个人不一致，则说明组效应可能由个别说话人驱动，不能直接推广到新说话人或法庭个案。

常见误解：把曲线向下直接读成性能变差

初学者读这类箱线图容易犯两个错误。第一，把纵轴向下直接读成变差。本文纵轴是标准化值，升降方向的好坏取决于测度定义：倒谱峰突出度与谐波噪声比下降意味着更 noisy，频谱倾斜上升意味着高频衰减更陡，共振峰上升意味着声道形状改变，三者没有统一的好坏。第二，把末步或单人结果推广全程。本文的结论恰好相反：组平均的位移不能推广到每个人，单人的显著也不能推广到组。

正确读法是先按图例确认对象、条件与范围，区分分布箱线与单样本离群点，再核对纵轴是原始指标还是标准化改变量，最后结合升降定义判断发声含义。像素不能精确辨别的数值不要硬写，本文解读只谈相对位移与是否显著，不编造具体赫兹或分贝差。

方法全景：同文本多装扮如何走完输入到比较？

拿一个样本走完全程有助于建立整体感。以 1 名说话人读彩虹段落的 1 次录音为例，输入是约 30 秒的连续朗读，目标嗓音设置在录音时已指定，例如气嗓。先把音频按音素强制对齐，只保留元音段落用于声学测量，避免清辅音与静音干扰发声与共振峰估计。接着用 VoiceSauce 与 Praat 提取两类信息，一类是与声源周期性与倾斜有关的测度，包括倒谱峰突出度、5 个频谱倾斜量与 4 个频段的谐波噪声比；另一类是长期共振峰 F1 到 F4。

然后把同一说话人、同一设置、同一音素段在多次会话与重复中的均值算出来，并做标准化，使赫兹与分贝等不同量纲可以放在同一模型中比较。最后用线性混合效应回归同时估计品质、测度与说话人的三向交互，并以音素段为随机截距，再用估计边际均值做默认与每种非默认设置的两两比较。输出不是单个绝对阈值，而是一组方向判断：某设置相对本人默认是显著升高、显著降低还是无显著差异，以及该方向在组与个人是否一致。

测了哪些量：倾斜、噪声与共振峰各自看什么？

论文实际提取的测度清单是明确的：倒谱峰突出度，H1-A1*、H1-A2*、H1-A3*、H1-H2*、H2-H4*，HNR05、HNR15、HNR25、HNR35，以及长期共振峰 F1、F2、F3、F4。其中 HNR 后面的数字指频率带宽上限，分别是 0 到 500 赫兹、0 到 1500 赫兹、0 到 2500 赫兹与 0 到 3500 赫兹。白话来说，频谱倾斜看能量从低频到高频掉得有多陡；倒谱峰突出度与谐波噪声比看声音有多周期、多干净；长期共振峰看声道平均形状。初学者常把这 3 类混成嗓音好坏分，其实它们分工不同，喉源变化主要动前两类，舌唇喉高等声道变化主要动第 3 类。

频谱倾斜 × 谐波噪声比： 频谱倾斜负责刻画能量随频率衰减的快慢，例如 H1-A1* 比较第一谐波与靠近共振峰的谱峰幅度，气嗓因声门闭合缓慢、高频能量弱而倾斜变大；谐波噪声比负责刻画周期性能量与非周期噪声能量的比例，气嗓因漏气噪声多而比值下降。二者搭配的原因是它们从能量分布和周期性两个侧面共同约束发声类型，组合起来才能区分是单纯高频弱还是同时变 noisy。

倒谱峰突出度 × 长期共振峰： 倒谱峰突出度负责度量倒谱主峰相对周围能量的高度，信号越周期、谐波越清晰规则则值越高，负责指示喉部发声的周期性；长期共振峰负责在整段元音上平均 F1-F4，反映声道形状如舌位、唇形与喉高，负责指示声门上设置。二者搭配的原因是前者对喉源敏感、后者对滤波器敏感，组合才能检验喉部改变是否连带引起声道调整。

论文还强调测量条件必须交代清楚，否则所谓客观无从核对。它报告长期共振峰用 Praat 共振峰跟踪算法，最大频率 5 千赫兹、按 5 个共振峰跟踪；与基频有关的谐波频率测度用 Praat 提取，最小 40 赫兹、最大 200 赫兹。这些是男性说话人的分析设置，也是复现时必须原样保留的条件，不能随意换成女声常用范围或不同跟踪器。

有没有训练模型：无训练，只有统计建模与参数估计

本研究没有训练神经网络，也没有冻结或更新任何模型权重，不存在梯度路径、优化器或早停问题。它的计算是经典统计建模。真实过程分 3 步。第一步是聚合与标准化，对每个说话人乘以设置乘以音素段，先跨会话与重复取平均，再做 z 分数标准化，使不同量纲的测度可比。第二步是用 lme4 拟合线性混合效应回归，固定效应是嗓音设置、声学测度与说话人的三向交互，随机效应是音素段的随机截距，用来吸收不同元音本身的声学差异。第 3 步是用 emmeans 计算估计边际均值，做默认与每种非默认设置的两两比较，并在 ggplot2 中可视化。

组层面效应 × 说话人与品质交互： 组层面效应负责回答平均而言某种设置是否改变某测度，把 4 个人的数据放在一起估计方向；说话人与品质交互负责回答这种改变是否对每个人都一样大、同一方向。二者搭配的原因是只看组平均会把个人差异平均掉，只有同时检验交互项，才能发现看似可靠的组规律实际只由一两个人驱动。

需要明确的缺项是原文没有给出完整的随机效应结构以外的收敛细节，也没有报告残差诊断。复现时应把缺项记为未报告，而不是按默认软件行为脑补。同样，不能因为没有训练就认为结果是确定性求解；估计结果仍依赖样本、聚合方式与多重比较处理。

实验条件：谁在说、说什么、说几次、怎么切分？

语料来自针对特定人自动说话人识别的数据集，说话人是英国英语母语的语音学工作者。论文从中选出 4 名男性，编号为 1、3、4、6。只选男声的理由是男女嗓音在声学关联上存在固有差异，混合会引入额外变异。另有 2 名男性被排除，1 名口音与其他人差异明显，1 名在关键品质上听感变化不足。文本是彩虹段落朗读，6 种装扮覆盖喉部与声门上，包括默认、气嗓、舌体前移、鼻音、去鼻音与喉下降。

每种设置在 3 个不同会话中录制，每个会话重复 3 次。下表把可核对的采集与分析配置收拢在一处，阅读时先确认人、文本、重复与切分是否与自己的复现一致，再看指标。 表前比较问题是：在文本、说话人与重复次数固定的前提下，哪些分析参数是原文锁定的，复现时必须原样采用。公平条件是同一文本与同一说话人基线，指标方向在此表不涉及好坏，只核对条件是否一致。

该表的主要价值是锁定复现边界：同一文本保证音素分布可比，多会话多重复保证能平均掉偶发变异，只取元音段保证测的是发声与共振而非清擦音噪声。

代价是样本很小且全为男声语音学者，模仿装扮的能力与普通说话人不同；未胜出或未评测的边界包括女声、电话信道、背景噪声与自发语音，这些在原文讨论中被明确列为未来工作，不能把朗读室的结论直接推广过去。

组层面看到了什么：气嗓与鼻音抬高倾斜，气嗓抬高共振峰

组分析把 4 个人的值放在一起看分布，统计上先检验测度与品质的交互是否显著。原文报告该交互显著，说明不同品质对不同测度的影响确实不一样，不是整体平移。方向上，气嗓相对默认显著抬高频谱倾斜测度，但 H2-H4* 例外，它在气嗓反而更低；噪声相关测度倒谱峰突出度与谐波噪声比在气嗓显著更低。鼻音相对默认在全部频谱倾斜测度上显著更高。

去鼻音则在 H1-A1* 与 H2-H4* 上更低，与鼻音方向相反，符合二者在发音上互为反义的预期。喉下降在 HNR05 上显著更低。长期共振峰方面，气嗓抬高 F1 到 F4，鼻音抬高 F2 到 F4；F4 几乎在除舌体前移外的所有非默认设置中都被抬高。 下图是理解组规律的关键，它把所有测度分面板、每面板内并排 6 种设置，纵轴是标准化值。 读图时不要读绝对赫兹，只看相对默认的位移。

看图路径： 1. 先看每列小面板标题确认是哪个声学测度，横轴是六种嗓音设置；2. 再看纵轴 Value(scaled) 为标准化值，只比较相对高低不读绝对赫兹；3. 重点比较红色 BRT 在 H1-A1*、H1-A2* 与 CPP 列相对黄色 DEF 的整体位移；4. 最后看 DEN 深绿色在 H1-A1* 是否整体偏低，以及 F4 列是否多组偏高

论文图 1。原论文 Figure 1：“Boxplots showing the distribution of scaled values for all acoustic measures for each VQ setting across the four speakers”。

从像素可见，第一行共振峰与倒谱峰突出度面板中，红色气嗓箱体在 F1 到 F4 多列整体上移，在倒谱峰突出度列整体下移；第二行 H1-A1*、H1-A2*、H1-A3* 面板中红色气嗓与浅粉鼻音箱体高于黄色默认，而深绿去鼻音在 H1-A1* 偏低；第三行 HNR 各面板差异相对较小，箱体重叠更多。这支持原文的文字总结：倾斜与噪声测度对喉部改变敏感，但鼻音这类声门上设置也会动倾斜，说明测度与发音不是一一对应。需要补充的限制是 H2-H4* 在气嗓走低，与其他倾斜量方向不同，复述时不能笼统说气嗓抬高一切倾斜。

落到个人还成立吗：显著交互说明每人走法不同

个人层面是本文的重点反证。原文进一步检验测度、品质与说话人的三向交互，同样显著，说明品质对测度的影响在不同说话人之间不相等。下表把 2 次交互检验的证据放在一起，阅读时注意自由度与样本量的含义：第 1 次是测度与品质的交互，第二次再乘以说话人，残差自由度均为 9359，来自大量音素段观测。 表前比较问题是：组显著性能否代表每人显著，检验结构是否允许个人差异存在。

公平条件是同一聚合与标准化后的数据、同一随机截距结构，指标方向是 F 越大、p 越小则交互越不支持用单一组方向概括所有人。

该表的主要收益是给出可复述的判断依据：两个交互都显著，因此既存在组方向，也存在个人依赖。代价是 F 值本身不告诉哪个人、哪个测度偏离最大，必须回到两两比较与分人箱线图。

具体反例很多：除气嗓抬高全部倾斜与 F2 到 F4 外，没有其他组效应在所有人身上显著；鼻音抬高倾斜与 F2 只在 6 号说话人显著，气嗓降低 HNR15 与 HNR25 以及抬高 F1 只在 1 号显著，气嗓降低 HNR05 只在 3 号显著，喉下降降低 HNR05 只在 4 号显著，去鼻音降低 H1-A1* 与 H2-H4* 在组显著但在个人无一显著。 下图把子集测度按人分面展示，正是为看这些反例而设。读图时请先分面再按颜色比较各设置，不要跨越说话人比较绝对高低。

看图路径： 1. 先按四个分面确认是 Speaker1、3、4、6 各自独立的箱线组；2. 再在每个分面内按横轴声学测度逐个比较六色嗓音设置的相对位置；3. 重点看 Speaker6 的 F4 粉色 NAS 是否明显上移而其他人不明显；4. 最后看 Speaker1 的 F1 红色 BRT 与 Speaker3 的 HNR05 变化是否与其他人方向不一致

论文图 2。原论文 Figure 2：“Boxplots showing the distribution of (scaled) values for a subset of acoustic measures across different VQ settings.”。

从此次实际收到的 FIGURE_2 像素可见，横轴为 Acoustic measure 分为 CPP、F1、F2、F3、F4、HNR05，纵轴为 Value (scaled)，四分面为 Speaker 1、Speaker 3、Speaker 4、Speaker 6，图例 VQ 含 DEF、BRT、DEN、FTB、LLX、NAS 六色箱线。这些像素细节支持一个教学要点：同一听感目标可以用不同发音技巧实现，声学位移自然不同；缺席预期的声学变化不等于没有改变品质。

为什么不能一一对应：基线、共现与测量三重困难

论文用 3 层理由解释为何声学测度不能透明映射到单一发音动作。第一是基线问题。关系描述预设了稳定参照点，但参照点是每个人自己的习惯配置。两个人都发鼻音，一个人的 H1-A1* 可能本来就高，单看数值无法区分是鼻音、习惯还是解剖。第二是共现与补偿。

气嗓是喉部定义，但组结果中它抬高了本应反映声道的 F2 到 F4。原文给出两种可能，一是基于线性预测的共振峰跟踪在高频能量弱、噪声多时精度下降，把测量伪影读成共振峰移动；二是说话人为保持响度或清晰度而连带前移舌或调整唇形，类似鼻化元音中的补偿发音。若标签在分析上可分，在自然发音中却可共现，测度自然对多种影响都敏感。第三是方向竞争。

若 1 人习惯同时带气嗓与去鼻音，前者推高 H1-A1*、后者压低它，净结果取决于相对强度。

声门上设置 × 多成分性： 声门上设置负责描述舌、唇、软腭、喉高等声道形状的调整，如舌体前移、鼻音、去鼻音与喉下降；多成分性指自然发音中气嗓、鼻音、舌位等可以同时出现或部分重叠，一个声学测度同时受多种发音影响。二者搭配的意义是不能把 H1-A1* 升高唯一读成气嗓，因为它也可能来自鼻音，若说话人同时带两种设置，净结果取决于相对强度。

对法医场景的含义是直接的：不能假设同一声学值在不同人身上对应同一发音，也不能把 2 次录音之间的数值差直接读成故意伪装，而忽略基线差异。解释必须多维且以说话人内结构为优先，孤立变量容易误导。

复现先做什么：按原文锁死切分、参数与比较起点

若要复现，先做三件事。第一，拿到同样的朗读与装扮结构：同一文本、6 种设置、每人 54 段、每段约 30 秒、多会话多重复；若只有单次录音，应明确说明无法平均偶发变异。第二，原样执行切分与测量：用蒙特利尔强制对齐器转写到音素级，只取元音段送 VoiceSauce 与 Praat；长期共振峰用 5 千赫兹上限、5 个共振峰，谐波相关测度用 40 到 200 赫兹基频范围。

同一说话人、同一设置、同一音素段先跨会话与重复平均再标准化。第三，原样执行统计：线性混合效应回归拟合品质、测度与说话人三向交互，音素段随机截距，再用估计边际均值比较每种非默认相对本人默认。软件栈按原文是 MATLAB 上的 VoiceSauce、RStudio 中的 lme4、emmeans 与 ggplot2。 还需补的验证包括扩大说话人数与纳入女声，检验去鼻音与喉下降的新关联是否可推广；加入电话传输与背景噪声，检验倾斜与谐波噪声比在退化信道下是否仍可用。

换用自发语音而非朗读，检验稳态元音之外的适用性。原文明确说当前语料是英语同类研究中最合适但仍偏小的集合，这些都是未评测边界，不应在复现报告中省略。

何时值得尝试：把声学测度当人内相对线索而非跨人标尺

综合来看，这项工作的可复述结论有 3 条。第一，喉部改变与频谱倾斜的关系在组与个人都较稳健，气嗓抬高多数倾斜量、降低周期性测度，但 H2-H4* 方向例外，引用时必须逐个测度说明。第二，声门上改变并非全无声学痕迹，鼻音抬高倾斜与高频共振峰、去鼻音反向压低倾斜，但这些在个人层面高度依赖说话人，有的只由单人驱动。第三，意外发现气嗓抬高长期共振峰，可能是测量伪影或补偿性声道调整，支持多成分解释而非单一映射。

实践建议是：做法医或 sociophonetic 分析时，先为每个说话人建立默认基线，再看人内偏离；同时报告组方向与个人一致性，不把组显著直接当成个体证据；对舌体前移预期 F2 升高等教科书式预测，若未出现应先检查样本量、跟踪误差与补偿发音，而不是直接否定感知判断。未测量误判率、延迟与成本，因此不承诺这些量得到改善。总体趋势不等于每组每步都成立，这正是本文用交互检验要教给新人的核心方法观。

⚖️ 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