双语发音动作能从语音自监督表示中线性读出吗：芬兰语与俄语 EMA 的跨语言探测

英文题目：How Bilingual Are SSL Speech Models? Cross-Lingual Probing of Articulatory Encoding with Finnish and Russian EMA

会议身份：conference:interspeech:2026:conference-paper-id:pedro26_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：#自监督学习 #可解释性 #发声与构音 #跨语言 #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 1.0/1.5 | 清晰度 0.8/1 | 影响力 0.9/1.5 | 开源 0.0/1.5 | 可复现 0.1/0.5 | 工程/实践 0.5/1.5

排名：前50% | 文档类型：方法研究

👥 作者与机构

• Ailín Pollio San Pedro：机构信息未能从会议 PDF 纯文本可靠映射
• Tomi H. Kinnunen：机构信息未能从会议 PDF 纯文本可靠映射
• Alexandre Nikolaev：机构信息未能从会议 PDF 纯文本可靠映射
• Ruchi Pandey：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

该研究输入为芬兰语俄语双语者原始音频，输出为5个发音器官共10通道电磁构音图横向与垂直轨迹，难点在于线圈摆位偏差大、腭化与元音和谐等类型差异显著且自发语音变异大。方法链条分三步：先对每条话语内各通道做z-score归一化并经Butterworth低通滤波降采样至50 Hz以对齐自监督学习帧率，其输出的连续波形进入编码器。接着用冻结自监督学习编码器逐层抽取1024维表示，该逐帧表示直接作为回归特征进入探针训练。再为每通道训练独立线性探针做逐帧仿射预测，最后以通道与说话人平均的Pearson相关即构音分数评估，并设留一说话人交叉验证检验泛化。与既往英语可控朗读探测相比，该工作引入同一说话人内第一语言、模仿口音与第二语言三条件对照及连环画自发叙事任务，机制意义在于检验构音编码的语言无关性。在18说话人合并层平均评估设置下，MMS-300m的Pearson为0.689，高于XLSR-53的Pearson 0.620。结论边界是中层最优、舌部优于唇部、上唇垂直方向持续最难且自发任务下降约0.1，尚未验证非线性或序列探针能否消除差距。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，这篇解读要交付什么？

本文输入是芬兰语与俄语双语者的平行录音，一侧是麦克风采集的原始语音波形，另一侧是电磁发音仪记录的舌尖、舌前背、舌背、上唇与下唇位置随时间变化的轨迹。目标不是做语音识别或合成，而是检验自监督语音模型学到的内部表示中是否以线性可读的方式保留了发音动作信息。做法是把语音送入冻结的预训练编码器，取出每一层变换器表示，再用线性回归预测每 1 帧的发音位置，用预测轨迹与真实轨迹的皮尔逊相关衡量编码程度。

本解读面向刚进入语音、音乐与音频领域的研究生，默认读者已接触过波形、频谱与回归的基本概念，但不熟悉发音生理测量与自监督探测流程。解读必须保留的关键信息包括数据构成与 3 乘 3 任务设计、预处理与帧率对齐方式、5 组实验的划分逻辑、层与传感器分布结论，以及任务结构与语言条件的影响。输出按学习依赖展开，先讲任务与相关路线，再讲方法全景与组件计算，然后讲探测训练与实验条件，最后讲结果、反证与复现要点。凡是教学举例都会明确标为例子，不把例子当作论文报告的数值。

需要先纠正一个常见误解，即把声音丢给大模型就自动得到发音解释。本文的逻辑恰好相反，它把模型当作待检验的特征提取器，把发音仪数据当作外部物理真值，用受控的线性映射检验表示中是否存在发音结构。若线性映射在极少数据下就能达到中等以上相关，且跨说话人与跨语言条件仍成立，才支持表示编码了部分语言无关的发音规律。若只在朗读、已知说话人或特定通道上成立，则说明结论有适用边界。

此前关于语音表示与发音关系的路线走到了哪里？

第一条路线是自监督表示的语言学探测。已有工作报告这类表示编码音位类别、说话人特征与超音段结构，但多数把模型当作不透明特征器，对物理生产过程的对应关系讨论较少。这条路线提供了方法模板，即固定主干、用轻量探针检验某类信息是否存在，但它不直接回答发音动作是否可恢复。

第二条路线是声学到发音的线性探测与反演。先前在英语上的研究发现，只用约 5 分钟配对数据，线性探针就能达到 0.8 以上的相关，且自监督特征达到或超过传统梅尔倒谱系数，对未见说话人的泛化也更好。层分析进一步指出发音信息集中在中间层，深层转向更抽象的语言内容。这些结果构成当前工作的起点与对照基准。

第 3 条路线是跨语言与跨说话人检验。有研究用英语、普通话与意大利语发音数据探测多语言预训练模型，报告跨预训练语言仍有较高反演相关，并提出不同说话人的预测轨迹可用仿射变换对齐，暗示存在共享的发音子空间。另有英语到荷兰语的零样本迁移研究指出中间层更稳健。本文的增量正在于把检验扩展到此前未系统覆盖的芬兰语与俄语。芬兰语具有元音和谐与音长对立，俄语具有普遍的腭化，这种类型差异使双语者数据成为检验语言通用性主张的有意义试验场。

论文要回答的具体问题是什么？

论文把大问题分解为 4 个可操作问题。第一，发音信息在网络深度上如何分布，是否中间层最强。第二，不同发音器与运动轴是否同样可预测，例如舌运动是否比唇运动更容易从声学表示中线性读出。第三，探针的数据效率如何，需要多少秒的说话人相关发音数据才能使性能饱和。第四，任务结构与语言熟练度如何调节可预测性，包括朗读与自发叙述的差异，以及母语、第二语言与模仿口音条件下的差异。

为回答这些问题，作者使用新采集的可扩展语料。语料包含 18 名双语者，女性 8 人、男性 10 人，年龄 21 至 49 岁，平均 30.9 岁，第二语言熟练度自评从基础到接近母语不等，其中 11 人在日常生活中使用第二语言。每个说话人完成 3 类任务与 3 种语言条件的组合。任务包括北极风与太阳篇章朗读、含目标词的载体句朗读，以及看连环画讲故事诱发的自发语音。语言条件包括用母语说话、用母语模仿外语口音，以及用第二语言说话。这种 3 乘 3 设计使语言结构效应与产生变异效应可以分开考察。

举例来说，设想同一名以芬兰语为母语、俄语为第二语言的说话人，他会分别用芬兰语朗读篇章、用带俄语口音的方式说芬兰语，再用俄语朗读与叙述。这是教学例子，用于帮助理解条件划分，不是论文报告的个体结果。真正用于评分的是所有帧上的轨迹预测相关，而不是人工听感判断。

从一段语音到发音分数，完整链条如何走通？

先沿一个样本走完链条。输入是一段录音波形，例如某说话人用载体句说出目标词的整句音频。模型侧把该波形送入预训练自监督编码器，编码器有 24 层变换器，每层输出 1024 维向量序列，帧率约为 50 赫兹。发音侧同步记录 5 个发音器的横向与垂直坐标，共 10 个连续通道，原始采样率为 1250 赫兹。预处理先对每个录音内的每个通道做零均值单位方差归一化，以消除线圈位置与幅度差异，再经低通滤波保留 20 赫兹以下的主要发音动态，最后降采样到 50 赫兹与语音特征对齐。

接着进入探测环节。对选定层，取出每 1 帧的 1024 维表示作为输入，对每个发音通道独立拟合线性回归，预测该帧的发音位置。训练与测试按帧随机划分或按说话人划分，用测试帧上预测轨迹与真实轨迹的皮尔逊相关作为通道分数，再对通道与说话人取平均得到发音分数。横向轴对应前后运动，垂直轴对应上下运动，侧向轴默认不参与主评分，仅在部分分析中作为参考。

这条链条的关键约束是主干冻结、探针线性。冻结意味着不更新编码器参数，检验的是已有表示的可读性，而非微调后的适应能力。线性意味着只允许仿射映射，不允许非线性网络去补偿表示不足，因此相关高低更能反映表示本身的发音结构含量。若改用非线性或序列模型，分数可能上升，但解释力会下降，论文把这类方法留作未来工作。

编码器、探针与评分各自负责什么计算？

编码器组件负责把声学波形转换为分层语义与语音表示。研究所用模型均属语音自监督家族的 24 层 1024 维结构，包括英语单语大模型、多语言 MMS 与 XLSR 系列，以及在俄语或芬兰语上微调的变体。每一层输出一个随时间变化的特征序列，层编号从浅到深排列。浅层更接近声学细节，中层被假设为语音与发音线索最集中处，深层更偏向抽象语言内容。实验通过逐层探测定位峰值与跌落，从而推断层级组织。

探针组件负责线性映射。对第 k 个发音通道，预测值等于权重向量与当前帧表示的内积加上偏置。权重维度与表示维度相同，偏置为标量。训练目标是使预测轨迹接近归一化后的真实轨迹，评估目标是轨迹形状的线性一致性，而非绝对位置误差。这意味着即使传感器存在整体偏移，只要运动起伏被正确复现，相关仍可较高。

评分组件负责聚合。先对每个说话人与每个通道独立计算相关，再按公式对说话人与通道取平均。平均的作用是得到跨条件可比的总分，代价是掩盖通道差异，因此论文同时报告按传感器与按轴的细分布。例如舌通道可能整体较高，而上唇垂直通道系统性偏低，总分无法替代这种结构信息。

自监督语音模型 × 电磁发音仪： 自监督语音模型负责从原始音频中学习 1024 维分层表示，不直接输出发音位置；电磁发音仪负责提供舌尖、舌体、舌背、上唇、下唇在 X 与 Z 轴上的连续位置真值。二者搭配的理由是前者是待检验的表征，后者是物理生产的观测，组合意义在于用线性回归把声学表示映射到发音轨迹，以相关系数判断发音信息是否以线性可读形式存在。

理解组合机制时要抓住一点，编码器提供候选信息，发音仪提供物理约束，线性探针提供最小假设的检验。若相关在多语言模型、中间层与舌通道上系统性更高，说明发音约束确实可从大规模声学表征学习中恢复，而不是探针自身记忆了训练帧。

本研究训练了什么，没有训练什么，数据量曲线如何读？

本研究没有训练任何自监督编码器主干，所有语音模型均为已有的预训练或语言微调权重，仅作为冻结特征提取器调用。唯一需要拟合的是线性探针的权重与偏置。探针按说话人或按留一划分进行拟合，不更新变换器参数。原文未报告探针优化器类型、学习率与早停细节，也未报告梯度路径与正则化选择，因此复现时应把这些视为缺项，需要自行选定可重复的最小二乘或岭回归实现并记录下来，不能从模型名称推定实现细节。

数据量实验的做法是固定使用大模型表示，改变每个说话人用于拟合探针的时长，从 20 秒、30 秒、1 分钟、5 分钟、10 分钟直到 20 分钟，按相同评估协议报告相关随训练时长的变化。结果显示从数十秒到数分钟区间分数陡升，约 5 分钟后趋于饱和。饱和意味着继续增加同一说话人的配对数据收益递减，但不意味着跨说话人泛化自动解决，因为后者还受传感器几何差异限制。

下面这张图是理解样本效率的关键，它直接显示平均相关、离散包络与标准差带如何随训练时长变化。读图时应先看总体拐点，再看包络宽度是否同步收窄，以判断增加数据是提升平均水平还是同时降低个体差异。

看图路径： 1. 先看横轴训练时长 20 秒到 1200 秒与纵轴皮尔逊相关的上升趋势；2. 再比较深蓝色平均线与浅色最小最大包络及正负一倍标准差带的宽度变化；3. 最后确认 300 秒附近曲线由陡升转为平坦的拐点位置

论文图 3。原论文 Figure 3：“Performance increases with training size and stabi- lizes around 300 seconds.”。

该图横轴为训练时长秒数，纵轴为皮尔逊相关，深蓝色折线为跨说话人平均，浅色带分别表示最小最大范围与正负 1 倍标准差，细线区分芬兰语与俄语说话人。可见 20 秒到 30 秒区间平均仅约 0.25 且包络较宽，60 秒跃升至约 0.52，300 秒达到约 0.67 后在 600 秒与 1200 秒基本持平在约 0.69 附近。解释是线性探针在极少样本下不稳定，一旦达到数分钟即可估计稳定的映射方向，之后瓶颈转向表示本身与传感器噪声。代价是该结论来自已知说话人内的随机分帧评估，不能直接推广到未见说话人场景。

线性探测 × 发音分数： 线性探测负责对每个发音通道拟合权重向量与偏置，把单帧表示映射为预测位置；发音分数负责把所有通道与所有说话人的皮尔逊相关取平均，得到可比的单一指标。二者搭配是因为逐通道回归给出细粒度可解释性，而平均给出跨模型与跨层的总体排序，组合后既能定位哪一层、哪个发音器更可预测，又能比较模型整体优劣。

五组实验如何划分条件并保证可比性？

5 组实验共用同一套特征提取与评分逻辑，区别在于划分与聚合对象。第一组比较模型，固定合并 18 名说话人数据，对每个模型取跨层、跨通道与跨说话人的平均分，考察多语言预训练与语言微调是否提升发音分数。所含模型在对芬兰语与俄语的熟悉程度上不同，从而形成对照。第二组做传感器与层映射，分别对大模型、多语言模型与跨语言模型输出每层每个通道的相关，定位峰值层与难易通道。

第 3 组做训练量敏感性，固定单语大模型，改变探针训练时长，报告分数随数据量的饱和曲线。第四组做留一说话人泛化，用多语言模型在减 1 人数据上训练、在剩余 1 人上测试，逐折报告每人每通道相关，以刻画跨人迁移与个体变异。第 5 组在芬兰语组内与俄语组内重复留一验证，同时按任务与语言条件分层，分离语言结构效应与产生变异效应。

朗读任务 × 自发叙述任务： 朗读任务负责提供词汇与句法受控的北极风与太阳篇章及载体句，承担降低语言变异的作用；自发叙述任务负责用连环画讲述诱发自然语音，承担引入韵律与时长异质性的作用。二者搭配的理由是控制结构化程度这一单一变量，组合意义在于判断发音可预测性下降究竟来自声学表示不足，还是来自输入本身对齐难度增大。

为减少传感器佩戴与重贴带来的几何差异，前 3 组采用按人分开探测，即每个说话人独立拟合与评估，避免把个体偏置混入跨人比较。后两组则故意采用跨人训练，以检验通用性。指标方向一致为相关越高越好，但比较时必须核对聚合对象是否相同，总平均分、逐层分与逐通道分不可直接混排。硬件与算力预算在原文中未报告，这是复现时的缺项，需自行记录特征提取与回归耗时。

跨模型与跨层的主结果显示了什么？

跨模型比较要回答的是哪类预训练更利于线性读出发音。比较问题是在相同说话人、相同通道集合与相同逐层平均口径下，多语言覆盖与语言微调是否带来可运行的增益。指标为发音分数，方向为越高表示发音结构越易线性恢复。下表整理了论文报告的 5 模型平均分，数值保留原文精度。

表后解释需要同时看到收益与反例。多语言 MMS 与经俄语或芬兰语微调的变体达到约 0.69，为五者中最高，英语单语大模型为 0.641，跨语言大模型基线为 0.62。收益是更广的声学语音覆盖有助于恢复语言无关的发音规律。反例是跨语言基线在 22 至 23 层出现陡降，拉低了跨层平均，说明总体趋势不等于每层都成立。未胜出项英语单语模型仍能线性恢复部分轨迹，支持即使预训练未见目标语言，发音约束也非完全不可读，但稳健性不如多语言模型。

层与传感器分布进一步显示，中间层一致取得最强对齐。英语大模型与 MMS 均向中部爬升后在高层下降，大模型的高层下降更陡。跨语言模型在 21 层前相对平稳，随后陡降并在末层小幅回升。通道上横向与垂直轴 consistently 比侧向轴更易预测，舌体垂直等舌通道居前，上唇垂直系统性偏难。

中间层 × 抽象语言内容： 中间层指 24 层变换器中部附近表示，承担语音与发音线索最集中的位置；抽象语言内容指高层更偏向音位与语义的表示，承担压缩声学细节的功能。二者搭配的理由是层级假设认为网络由声学向语言逐级抽象，组合意义在于解释为何相关随层先升后降，以及为何探测峰值不在首层或末层出现。

下面这张分层曲线图把上述分布可视化，阅读时不要把纵轴错开当作绝对值比较，而应比较每条曲线的形状与拐点，因为曲线为清晰显示已按传感器垂直错开。

看图路径： 1. 先看横轴层编号 1 到 24 与纵轴按传感器错开的相关曲线，确认三块面板分别为 XLSR-53、wav2vec 2.0 与 MMS-300m；2. 再对比 XLSR-53 在 22 至 23 层的陡降与 wav2vec 2.0 在高层的平滑下降；3. 最后核对图例中 UL、LL、TT、TB、TD 五组颜色与 Z、X、Y 三轴线型的对应关系

论文图 1。原论文 Figure 1：“Layer-wise articulatory prediction performance (average Pearson correlation r) across encoder depth for (a) XLSR-53, (b) wav2vec 2.0, and (c) MMS-300m.”。

该图三面板共享层横轴，纵轴为错开后的相关，每种颜色对应一个发音器，每种线型对应一个空间轴。可见跨发音器与跨轴的层变化形状高度相似，说明探测动态在网络中是一致的。教学含义是选中间层做下游发音建模通常比选首层或末层更合理，但具体峰值层因模型而异，需要在验证集上逐层确定，不能直接照搬某一层的编号。

任务结构与语言条件如何改变可预测性？

这一节按问题组织，检验的不是模型大小，而是输入变异。测的是在固定多语言模型与留一跨人评估下，受控朗读与自发叙述之间，以及母语、第二语言与模仿口音之间，发音相关是否系统变化。公平条件是同一模型、同一留一划分与同一通道集合，指标仍为通道级皮尔逊相关，方向越高越好。下表用论文报告的峰值与区间概括任务效应，数字保留原文写法。

表后解释要区分主要收益与具体代价。受控朗读与载体句任务的峰值通道可达约 0.70 至 0.74，而连环画自发叙述降至约 0.58 至 0.62，效应跨语言与传感器可见。可能机制是自发语音的词汇句法变异与时长异质性增大了声学与运动对齐难度，而非表示突然失效。代价最明显的是上唇垂直通道，它在多数条件下最难预测。反例是第二语言语音在若干通道可与母语持平，最高达约 0.76，支持多语言表示具有口音稳健性，不能把第二语言一概视为更差。

留一说话人验证 × 按人分开探测： 按人分开探测负责把同一说话人的帧拼接后随机分为训练与测试，用于消除传感器位置差异的影响；留一说话人验证负责在 S 减 1 人上训练、在剩余 1 人上测试，用于检验跨人泛化。二者分工不同，前者测表示在已知发音几何下的可读性，后者测对未知发音几何的迁移，组合后才能区分模型真的学到通用发音结构，还是只拟合了特定人的传感器偏置。

下面这张热图是任务与语言条件的细粒度证据，读数时应逐列比较同一通道在不同行的颜色，而不是跨列比较不同发音器的绝对亮度，因为发音器本身难度不同。

看图路径： 1. 先按左侧任务热图比较 T1 与 T2 朗读行和 T3 自发行在同一列的颜色深浅；2. 再按右侧语言条件热图比较母语、外语与模仿口音三行在舌通道与唇通道的差异；3. 最后读右侧色条确认深色对应低相关而亮黄色对应高相关

论文图 2。原论文 Figure 2：“Layer-wise articulatory prediction performance (Pearson correlation r) for MMS-300m under a LOSO evaluation.”。

该图左侧按芬兰语与俄语分块比较 3 类任务，右侧按母语、模仿口音与第二语言分块比较语言条件，行列交叉格为通道级相关，右侧色条从深色到亮黄表示从低到高。可见自发行整体偏暗，朗读行整体偏亮，而语言条件三行在舌通道上差异较小，上唇垂直列持续偏暗。限制是热图未给出显著性检验与置信区间，颜色差异不能直接断言因果，传感器质量的个体差异也可能贡献部分变异。

哪些边界尚未验证，不能从相关直接推出什么？

首先是测量边界。主评分只用横向与垂直坐标，侧向轴因声学相关有限与解释模糊而默认排除，仅在部分分析中参考。这意味着结论针对前后与上下运动，不能推广到全部 3 维发音几何。预处理对每个录音独立归一化，虽能抑制传感器偏置，但也改变了绝对幅度信息，因此相关高只说明运动形状可恢复，不说明绝对位置误差小。

其次是评估边界。按人分开探测的高分部分来自已知说话人内的随机分帧，帧级随机划分可能使训练与测试帧来自同一 utterance 的邻近时刻，时间相关性会抬高分数。留一跨人评估缓解了这一点，但仍未报告误判率、延迟与计算成本，也未做统计显著性检验。总体趋势不等于每组每步成立，例如跨语言模型的高层陡降与上唇通道的持续困难就是反证。

最后是推论边界。相关性不是因果，任务效应不能直接推出自发语音的表示更差，也可能是对齐与切分更难。未测量发音建模的下游收益、临床可用性与实时性时，不应承诺这些量得到改善。多语言更优支持声学覆盖假说，但属于有限解释，仍待验证是否真正学到语言无关的发音子空间，还是仅因训练数据更接近目标语音分布。

若要复现，应先做什么并保留哪些信息条件？

复现应从数据与划分开始。先确认是否获得双语发音语料的使用许可与 5 个发音器的通道定义，再按论文的三任务乘 3 条件组织文件结构，保留说话人、任务与语言条件的元数据。预处理必须复刻通道内归一化、低通滤波保留 20 赫兹以下动态、降采样到 50 赫兹与语音特征对齐的顺序，任何打乱顺序都会改变对齐结果。随机种子需固定，以保证按人分开时的训练测试划分可重复。

特征提取阶段调用公开的 24 层 1024 维权重，逐层保存表示，不做微调。探针阶段对每个通道独立拟合线性回归，先复现按人分开的平均分与饱和曲线，再复现留一跨人的逐人逐通道分布。关键超参数包括回归正则化、训练时长切分点与层选择策略，原文未完全报告，需在复现记录中明确写出自己的选择。评估统一用测试帧上的皮尔逊相关，区分跨通道平均、逐层曲线与逐通道热图 3 种口径，避免把不同聚合的数字直接比较。

资源状态是正文开源声明的唯一依据，本次未发现来源绑定且完成验证的资源，因此不得声称代码、模型或数据已公开。实际操作中应把权重下载、特征缓存与回归耗时分开记录，训练资源、推理开销与输出帧率分别讨论。若要检验稳健性，建议先做最小对照，即比较中间层与首末层的差距、舌与唇通道的差距、朗读与自发的差距，确认三者方向与论文一致后再扩展到非线性探针或跨模型融合。

何时值得尝试这种方法，还需补哪项验证？

当手头只有数分钟的配对发音数据，却想快速判断某个语音表示是否保留发音结构时，这种冻结主干加线性探针的方法值得尝试。它的成本低、解释性强，中间层峰值可为下游发音建模提供层选择依据，舌通道的高可预测性也可为发音评估与第二语言发音分析提供起点。对于芬兰语的元音和谐与音长对立、俄语的腭化等类型差异较大的现象，该方法提供了一种不依赖大量标注即可检验跨语言通用性的手段。

但在投入临床或教学应用前，还需补三项验证。第一，用严格按 utterance 划分或跨会话划分替代帧级随机划分，以排除时间邻近带来的乐观偏差。第二，补充绝对误差与可听性相关的评估，因为相关高不等于位置误差小。第三，报告跨人、跨任务的置信区间与失败案例，特别是上唇垂直通道与自发叙述条件下的误差模式。只有在这些边界被量化后，才能判断多语言表示的增益是否可在可部署策略中兑现，而不只是事后平均的最优值。

回到中心判断，论文报告显示自监督表示确实编码了部分可线性读出的发音动态，多语言预训练提升了跨语言稳健性，任务结构调节了可预测性。这些是报告与有限解释。至于是否存在完全语言无关的发音子空间，以及非线性时序建模能带来多少额外增益，则属于可能但待验证的推测，需要后续用更严格的划分与更丰富的语言覆盖来检验。

⚖️ 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