漂移不是单因素：用模块化诊断数据看鲁棒性如何获得、迁移与遗忘

英文题目：MoDiCoL: A Modular Diagnostic Continual Learning Dataset for Robust Speech Recognition

会议身份：conference:interspeech:2026:conference-paper-id:pekarekrosin26_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：#基准测试 #数据集 #持续学习 #鲁棒性 #语音识别

评分：5.8/10 | 创新 1.2/2 | 技术严谨 1.0/1.5 | 实验充分 1.0/1.5 | 清晰度 0.8/1 | 影响力 0.8/1.5 | 开源 0.0/1.5 | 可复现 0.1/0.5 | 工程/实践 0.9/1.5

排名：前50% | 文档类型：数据集与基准

👥 作者与机构

• Theresa Pekarek Rosin：机构信息未能从会议 PDF 纯文本可靠映射
• Matthias Kerzel：机构信息未能从会议 PDF 纯文本可靠映射
• Stefan Wermter：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

该工作处理自动语音识别在口音、损伤、年龄、噪声与领域词汇共现漂移下的鲁棒性退化问题，输入为多条件语音波形，输出为转写文本，难点在于单因子评测无法复现现实累积漂移与遗忘机制。其方法链第一步以田口L27正交阵列加两个折叠维度构造108种运行配置，系统覆盖语言内容、说话人特征与声学环境共10个因子，输出的配置表直接作为后续数据填充的规格约束。第二步承接该规格约束，优先以开源真实语料填充可行组合，对缺失组合以XTTS-v2零样本合成补齐，再经重采样与噪声注入在内的增强管线统一声学条件，形成多小时语料。第三步承接该语料，按声学漂移、说话人漂移、语言漂移与复合漂移切分在线持续学习课程，使回放与正则方法在流式单遍训练中暴露遗忘与迁移。与已有噪声或口音单点数据集相比，关键差异是将鲁棒性视为随任务序列演化的可迁移能力并显式分离漂移类型。在whisper-small.en上经验回放10%缓存时平均词错率为17.31%，优于联合训练基线的27.24%。结论仅在英语小模型与8100条规模内成立，合成失真与顺序敏感性限制了向大模型与真实长尾的外推。原文未披露训练、推理或部署成本。

🔗 开源与复现资源

• 数据相关资源：https://huggingface.co/datasets/ — 暂时无法访问 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

任务从哪里来：标准集很好，真实环境为什么还掉点？

输入是本篇论文的研究任务与目标读者需要保留的关键信息。论文研究的是自动语音识别，也就是把语音波形转写成文字的系统，在标准评测上已经很强，但在录音条件、口音、言语障碍、噪声、年龄等真实分布变化下仍出现明显性能落差。目标是为刚进入语音与音频领域的研究生讲清 MoDiCoL 数据集如何构造、持续学习课程如何组织、3 类方法如何对比，以及哪些结论可以直接复述、哪些只是有限解释。

必须保留的信息包括 3 类因子与水平、108 个运行与 8100 条样本的规模、控制条件 t0 与 4 个漂移任务 t1 到 t4 的定义、whisper-small.en 骨干与在线单样本训练条件、词错率与语义相似度的双视角，以及经验回放 10% 最稳但依赖顺序的结论。输出是 1 篇可核对的方法解读，不做营销式判断，所有数字回到原文证据。 现代识别系统常用大规模弱监督预训练，例如 Whisper 一类模型，在干净朗读英语上表现很好，但这不等于覆盖了全部使用场景。

论文列出的掉点来源很具体：发音含糊或不流利、方言口音、远场与混响、儿童与老年嗓音、医疗与空管等专业词汇、自发与对话语体。更关键的是真实应用中这些因素同时出现并随时间累积，而已有评测往往 1 次只隔离一个因素，例如只测噪声或只测口音，因此看不到因素叠加与顺序引入时的获得与遗忘。本文的动作是把鲁棒性看成动态能力，用持续学习课程模拟增量更新，系统地看漂移如何被适应、被迁移或被遗忘。

已有路线在测什么：单因素评测与领域自适应的边界在哪？

要理解 MoDiCoL 的位置，需要先区分 3 条相关路线。第一条是单因素鲁棒性数据集，例如用可扩展噪声集测加噪、用印度口音集测口音、用 TORGO 与唇腭裂等资源测障碍语音。它们的优点是条件干净、指标可比，缺点是 1 次只动一个旋钮，无法回答噪声加远场再加专业词汇时谁是主要矛盾。第二条是带丰富元数据的评测集，例如 Casual Conversations v2，真实但不可控，录音条件与说话人选择无法正交，难以把影响归因到某个因子。

第 3 条是语音中的持续学习，已有工作做口音与多语言自适应，但更多把持续学习当作适应手段，而不是当作诊断工具去定位预训练模型在哪里遗忘。论文的对照动作是保留前两条路线的真实语料，同时引入田口正交设计的思想，用因子水平组合生成可控运行，再用持续学习课程把适应过程展开成可观察的步骤。同输入、同目标、同监督的对照应该是同为语音识别转写任务、同为分布外泛化目标，而不是把视觉语言模型的持续学习结论直接搬运。

论文提到视觉语言模型中已有类似遗忘定位工作，但预训练语音识别模型中尚未同等探索，这构成写作动机，但不构成跨模态胜负比较。

要解决的具体问题是什么：共现漂移如何被可控地复现？

论文要回答的问题可以拆成 3 个可操作的子问题。第一，如何在一个数据集中同时表达语言内容、说话人特征、声学环境 3 类变化，又能说清每个运行到底动了哪些因子。第二，如何模拟真实中随时间累积的更新，让模型先见声学变化，再见说话人变化，再见语言内容变化，最后见复合变化，并检验顺序是否影响结果。第三，如何区分遗忘来自表示漂移还是参数更新干扰，并给出可复现的度量。

为此作者定义控制条件 t0 为成年健康朗读、无停顿无迟疑、干净近场、其他词汇、英语口音，采样自 LibriSpeech，作为所有漂移的比较基线。然后定义 t1 为声学环境漂移，引入 babble 与风扇噪声、不同信噪比与远近距离；t2 为说话人特征漂移，引入儿童、老年、障碍与不同口音但保持声学适中；t3 为语言内容漂移，引入自发与对话语体及医疗与空管词汇；t4 为复合漂移，把老年或障碍、远距离、噪声、对话或领域语音组合在一起。

课程还生成另外两种排列但固定 t4 在最后，用于检验顺序敏感性。

分布漂移 × 持续学习： 分布漂移指训练与测试分布随噪声、口音、领域等因素变化导致性能下降，持续学习指按任务序列 t1 到 tN 逐个学习并保留旧知识；两者搭配的理由是现实漂移是累积到来的，持续学习提供按顺序引入漂移、观察获得、迁移与遗忘的实验框架，组合意义在于把鲁棒性从 1 次性评测变成可诊断的动态过程。

方法全景：一个样本如何走完输入到课程评估？

先沿一个样本走完全程。输入是一条 16 kHz 波形及其参考文本，附带一个运行配置，配置规定了词汇域、语体、年龄、口音、健康、停顿、迟疑、噪声类型、信噪比与距离等水平。样本先经过统一增强流水线，被处理成符合该运行的声学与语言形态，然后按所属漂移任务进入持续学习课程。模型以 whisper-small.en 为起点，在线逐条见样本 1 次，按 t0 到 t4 或其排列顺序依次训练，每个漂移内部分为训练 70%、验证 20%、测试 10%。

评估时既看每个任务当前的词错率，也看跨任务的平均误差、增量误差、遗忘与迁移指标，从而判断鲁棒性是被获得、被迁移还是被遗忘。 整体结构分为 3 层。底层是 MoDiCoL 数据层，用 L27 正交阵加两个折叠维度容纳 6 个三水平因子与 4 个二水平因子，通过循环置换得到 108 个运行，每个运行 75 条，共 8100 条，总时长 18.79 小时，其中合成 14.08 小时，平均条长 8.35 秒。中层是课程层，把运行集合划分成互不相交的 t0 到 t4，模拟增量部署。

上层是方法层，用经验回放、表征层正则、正交梯度下降 3 种机制分别考验记忆稳定、表示保持与梯度隔离。教学例子是：一条医疗对话文本若被分配到老年远场 babble 噪声运行，它可能先由语音合成按老年参考音色生成，再加混响模拟远距离，再按指定信噪比混入 babble 噪声，这只是 1 个流程示意，不代表该条真实存在。

因子与正交设计：108 个运行是如何拼出来的？

3 类因子的白话含义需要先讲清。语言内容指说什么与怎么说，包括词汇域的医疗、空管与其他，以及语体的朗读、自发与对话。说话人特征指谁在说与说得顺不顺，包括年龄的儿童、成年与老年，口音的英语、东南亚与其他，健康的健康与障碍，以及单独列出的停顿与迟疑，因为健康人也会有。声学环境指在哪录与怎么录，包括噪声类型的干净、babble 与风扇，信噪比的干净、10 dB 与 20 dB，以及距离的近与远。原文以表格形式给出这些水平，解读时要保留原水平名称，不自行合并。

构造动作用正交阵实现。用 L27 正交阵安排主要因子，再用两个折叠维度 F0 与 F1 容纳维度差异，通过循环置换切出 4 个切片，得到 27 乘 4 共 108 个不同运行配置。每个运行填 75 条样本，这是混合水平部分因子设计的常用启发式。特殊组合分两类处理。第一类是现实少见但仍有诊断价值，例如医疗或空管配儿童或老年、医疗或空管配障碍，作者用合成语音与声音克隆补齐。

第二类是逻辑不可行，例如信噪比为干净却指定 babble 或风扇噪声，作者修复设计，把噪声类型改回干净。真实语音尽量复用开源集，儿童健康来自非母语儿童英语、儿童录音与超声典型发育集，障碍儿童来自唇腭裂集，成年与老年健康来自印度口音、英文可信意图、TED-LIUMv2 与 Common Voice，对话来自 DailyDialog，空管来自 ATCO-2 与 UWB-ATCC，医疗来自联合医疗语音与 Eka 医疗评测及多份医疗文本，缺失组合再用文本生成合成语音。

经验回放 × 表征正则： 经验回放负责从旧任务保留一小部分样本并与新任务数据混合训练以稳定记忆，表征正则负责约束编码器输出不偏离冻结旧编码器的表示以保留声学表征；前者用数据直接复习，后者用约束间接保持，二者搭配可以对照遗忘到底来自样本缺失还是表示漂移，组合意义是区分稳定记忆的不同机制。

合成与增强组件：缺失组合与因子水平如何落实？

合成语音的白话解释是零样本跨说话人语音合成。英文名是 XTTS-v2，它用参考音频决定音色与部分发音特征，再把给定文本读出来。分工是补齐无开源参考的组合，例如东南亚口音叠加障碍在开源中找不到时，就用健康参考音生成或从健康真实语音出发做障碍仿真。参考音频来自感知嗓音质量库、VCTK、唇腭裂、Common Voice、儿童录音、非母语儿童、超声言语障碍与 TORGO 等，覆盖年龄、口音、基频与健康条件。文本侧用空管与医疗相关文本及维基等补充，保证领域词汇真实。

增强流水线是按运行配置对真实与合成统一加工的 6 步操作。第一步去噪，用 DNN-HMM 混合系统压制原始背景，保证后续加噪起点一致。第二步插入迟疑词，若无自然迟疑则用同一说话人条件合成填充词，按停顿插入方式放入。第三步模拟障碍，对缺参考的东南亚口音障碍情形做韵律与频谱扰动，包括震颤、抖动、微光与时长扰动。第四步处理停顿，无停顿则检测词间静音或随机选点插入，若配置关闭停顿则删除明显静音。

第五步模拟距离，加混响以建模大房间与长声程。第 6 步按信噪比与噪声类型加噪，babble 与风扇噪声采自微软可扩展噪声集，干净条件用合成随机噪声，再按指定信噪比混合。所有文件重采样到 16 kHz 存为波形文件。这个顺序很重要，因为先统一去噪再按需加回，才能让声学因子水平可比。

没有从零训练什么：课程训练与三种方法的真实计算过程是什么？

本研究没有从零训练声学模型，骨干是预训练的 whisper-small.en，训练指的是在此基础上按课程持续微调。真实计算过程是在线流式持续学习，批量大小为 1，每个样本只见 1 次，学习率为 1e-5。每个漂移内部再划分训练验证测试，课程按 t0 基准加 t1 到 t4 顺序或其排列推进，t4 固定在最后。评估时用平均词错率、平均增量词错率、遗忘度量、后向迁移、前向迁移与不服从度量等跟踪记忆与可塑性。由于用误差率作指标，部分指标方向与准确率版本相反，原文已提示正后向迁移等解释需要反转。

3 种方法的计算分工不同。经验回放是排练式稳定，维护一个来自旧任务的记忆缓冲，新任务训练时把缓冲样本与当前数据混合，实验对比 5% 与 10% 两种缓冲，按旧任务平均分配，用于检验稳定性是否依赖复习。表征层正则是表示保持，每个任务后冻结一份编码器拷贝，最小化当前与冻结模型经均值池化后编码输出的余弦相似度损失，用于检验遗忘是否来自声学表示漂移。

正交梯度下降是梯度子空间隔离，只作用于编码器，先在小子集上估计任务平均梯度并归一化得到任务方向，训练时把当前梯度投影到与已存方向正交的补空间，并用余弦相似度检验任务间几何重叠，范围在 1e-3 到 1e-6 接近零，说明任务梯度位于不同子空间。原文未报告优化器细节与冻结参数清单中除编码器外的处理，因此复述时指出缺项，不从模型名推定全部实现。

合成语音 × 增强流水线： 合成语音负责用 XTTS-v2 根据文本与参考音频补齐现实中缺失的组合，例如特定口音的障碍语音，增強流水线负责对真实与合成语音统一做去噪、插入迟疑词、模拟障碍、插入或删除停顿、混响模拟距离、按信噪比加噪；前者解决因子组合无源问题，后者保证因子水平按运行配置精确可控，组合意义是让正交设计中的每个运行都有可复现的输入。

实验条件：数据划分、基线、指标方向如何保证可比？

测什么与与谁比需要先说清。基线包括两端：顺序微调下界，没有任何持续学习机制，直接按课程微调以暴露任务干扰；联合训练上界，把所有漂移数据同时训练，通常被视为性能上限，但本文结果显示它并非在所有指标上最优。比较对象是 3 种可运行策略的 5 种配置：5% 回放、10% 回放、表征正则、正交梯度与顺序微调，外加联合训练对照。课程做 3 种排列平均并报告标准差，以检验顺序敏感性。

条件一致性体现在同一骨干、同一在线单样本、同一学习率与同一划分比例下推进，只有持续学习机制不同。 指标方向必须强调。词错率越低越好，平均词错率看全部任务终点，平均增量词错率看学习过程中的平均表现。遗忘度量目标为零，后向迁移在误差率下越低越好，正值表示遗忘，前向迁移在误差率下负值表示旧知识有助于新任务，不服从度量越高表示相对联合或理想的差距模式按原文定义解读。

语义侧用 BERTScore 的 F1，越高越好，用于判断高词错率是否伴随语义崩塌。聚合对象是任务平均与排列平均，报告均值加减标准差，百分点与相对百分比不混用。

词错率 × BERTScore： 词错率负责统计转写与参考文本在词层面的插入、删除与替换错误，BERTScore 的 F1 负责度量输出与参考在语义层面的相似度；前者对幻觉等长串错误非常敏感，后者能容忍措辞差异，搭配理由是 MoDiCoL 中均值词错率被离群值拉高时需要第二视角判断语义是否仍对齐，组合意义是同时看到字面错误与语义保持。

遗忘度量 × 前向迁移： 遗忘度量负责衡量学完新任务后旧任务性能相对此前最好水平的下降，前向迁移负责衡量学过旧漂移是否有助于新漂移的学习起点；前者看记忆稳定性，后者看学习可塑性，搭配理由是只看最终平均误差无法区分是学不会还是记不住，组合意义是把课程效果拆成保持与促进 2 个方向。

课程前先看难度：未适应的模型在各类漂移上掉多少？

比较问题是未适应的 whisper-small.en 在控制条件与 4 类漂移上的绝对难度，公平条件是同一模型直接解码 MoDiCoL 各子集并在归一化文本上算词错率与语义分，指标方向是词错率越低越好、语义 F1 越高越好。下表整理原文课程前评估的均值与中位数，合成与真实的差异另在正文说明。表前需要点明均值与中位数差距很大的原因，后文再解释幻觉与离群值的作用。

表后解释主要收益与代价需要回到原文数字。控制条件 t0 表现最好，说明基线任务本身不难。声学漂移 t1 中等下降，说话人 t2 与语言 t3 下降更剧烈，t3 平均词错率高达 141.73 但中位数仅 42.86，说明少数严重离群拉高均值，作者检查转写后指出幻觉是重要来源，而语义 F1 仍保持 89.54 以上，说明字面错误大不等于语义完全丢失。有意思的反例是复合漂移 t4 并未最差，平均 43.37 低于 t2 与 t3，支持漂移叠加不等于难度叠加的判断。

另 1 对照是合成平均 69.97 与中位 13.33 优于真实的 86.32 与 25.00，语义也更高，可能因真实子集说话人与障碍更多样，但这只是有限解释而非因果证明。未胜出项是 t3，它在所有方法前都是最难的，为后文课程是否能恢复它埋下悬念。 下图导读需要先建立坐标系再看好坏。这张热图不是单条曲线，而是 5 个方法各一块面板，每块横轴为测试任务 t0 到 t4，纵轴为学完 t1 到 t4 的训练步骤，颜色越深表示词错率越高，右侧色标可达 80 以上。

阅读时先沿纵轴看学新任务后旧列是否变深以判断遗忘，再横向比较同学完一步时哪个测试列最深以判断难度。

看图路径： 1. 先确认每块小热图的横轴是 t0 到 t4 测试任务，纵轴是学完 t1 到 t4 的训练步骤；2. 再对比 ER-10% 与其他方法在 t3 列深色离群格的数量与恢复情况；3. 最后观察学完 t4 后 t1 列是否变浅，以判断复合漂移对声学任务的回补作用

论文图 1。原论文 Figure 1：“The progression of WER across different methods. Rows correspond to training steps in the curriculum, and columns show the development of per-task performance.”。

解释可见内容时只说像素可辨的模式。浅色集中在 t0 列，说明控制任务在整个课程中保持稳定甚至受益。深色离群格分散在不同方法的 t3 与 t2 列，例如小缓冲回放与正交梯度在某些步骤的 t3 格明显偏深，而 10% 回放的深色更少且后续行有所恢复。学完 t4 后 t1 列在多块面板中没有继续变深甚至变浅，支持原文所说复合漂移学习有时能回补声学任务。不能从颜色读出精确数值，步数与数值以原文表格为准，颜色只用于定位遗忘与恢复发生的位置。

课程后谁更稳：记忆容量与机制差异带来什么代价？

比较问题是 3 种持续学习机制在相同课程下能否既记住旧漂移又学好新漂移，公平条件是 3 种排列平均、同一在线设置与同一骨干，指标方向是平均与增量词错率越低越好、遗忘与后向迁移越接近零或越低越好、前向迁移在误差率下负得越多表示促进越强。下表整理原文课程结果的均值加减标准差，联合训练只报告平均词错率作为参照。

表后需要讲清主要收益与具体代价。10% 回放最均衡，平均词错率 17.31 优于其他持续学习方法与联合训练 27.24，遗忘接近零且后向迁移仅 1.78，标准差也最小，说明中等记忆加回放能稳定跨漂移鲁棒性。5% 回放仍优于顺序微调与联合训练的平均词错率，但方差大到 11.32，说明容量不足时稳定性高度依赖顺序。

未胜出项是表征正则，平均 34.28 与顺序微调相当，遗忘与后向迁移大，作者认为均值池化只约束全局相似，可能漏掉关键局部结构，这属于有限解释而非已验证因果。正交梯度平均增量词错率 21.19 最好，且任务梯度余弦接近零支持子空间分离，但终点平均仍不如 10% 回放，说明隔离更新能减少干扰却不等于终点最优。反例是学 t4 多损伤 t2 与 t3 已有知识，但对 t1 有时有益，10% 回放整体可恢复，这与热图观察一致。

所有方法含顺序微调的前向迁移均为较大负值且不服从度量偏高，支持顺序引入总体有助于新任务，但遗忘方差大提示顺序仍需谨慎选择。

边界与未验证之处：哪些结论不能推广？

首先是数据边界。MoDiCoL 总时长有限，合成占比高，医疗与空管叠加儿童老年或障碍本就少见，靠合成补齐后虽能诊断行为，但不能等同于真实临床或管制录音的分布。东南亚口音叠加障碍缺开源参考，只能用健康音生成或仿真加震颤抖动等扰动，这能检验模型对扰动的敏感性，但不能证明覆盖真实障碍机理。逻辑不可行的干净加噪组合已被修复为干净，复现时不要误以为存在矛盾运行。其次是方法边界。

表征正则只用均值池化后余弦约束，正交梯度只作用于编码器并用小子集估计方向，结论限于该实现，不能推广到所有正则或所有梯度隔离。指标上总体趋势不等于每组每步成立，t4 有益于 t1 不代表有益于 t2 与 t3。再次是缺项。原文未报告硬件预算与延迟成本，未测量误判率之外的公平性影响，未给出优化器与解码细节，复现时只能按学习率与单样本 1 次遍历复述，不能承诺延迟改善。均值词错率与中位数差距大，引用时应同时给出两者，避免只用均值夸大崩塌。

最后是因果措辞。正交梯度优于表征正则支持梯度干扰是性能损失因素之一，但不能写成已证明表示漂移无关；合成优于真实支持真实更多样，但未做受控消融，只能写可能与待验证。

复现先做什么：按什么顺序重建数据与课程？

复现的第一步是重建运行配置。按论文因子表列出词汇域、语体、年龄、口音、健康、停顿、迟疑、噪声类型、信噪比与距离的水平，用 L27 加折叠生成 108 个配置，每个 75 条的配额先占位，再把干净与加噪矛盾的运行按原文修复为干净。不要自行增删水平，否则正交性不再成立。第二步是准备语料。先按来源清单收集儿童、障碍、口音、TED、Common Voice、对话、空管与医疗文本，缺失组合再用 XTTS-v2 按参考音频合成，注意保留说话人一致性与文本领域。

第三步是实现 6 步增强。顺序固定为去噪、迟疑插入、障碍仿真、停顿处理、混响模拟距离、按信噪比加噪，全部重采样到 16 kHz 存波形，并记录每条的运行编号与因子水平以便按 t0 到 t4 划分。第四步是跑课程。骨干用 whisper-small.en，学习率 1e-5，在线批量为 1、单遍训练，每个漂移内按 70%、20%、10% 划分训练验证测试，先跑 t0 基准，再按原文顺序与两种排列跑 t1 到 t4 且固定 t4 最后，同步跑顺序微调与联合训练对照。

关键超参数与信息条件是学习率、单样本、单遍、缓冲比例 5% 与 10%、编码器冻结拷贝与余弦约束、编码器梯度正交投影，这些必须保留。资源状态方面，论文给出的数据集链接为https://huggingface.co/datasets/，但本次未能确认可达，因此先按原文方法用开源子集与合成流程重建，不要写成当前可用或已公开。代码与权重方面原文称开放数据集、流水线与课程，复现时区分代码开源、权重下载与系统可运行三件事，缺一不可直接宣称端到端可运行。

收束：何时值得尝试这种诊断式持续学习？

当你的应用漂移是陆续到来的，例如先上线新麦克风与噪声环境，再扩展到儿童老年或口音用户，最后加入专业领域词汇，这种按阶段到来的顺序正是 MoDiCoL 课程的适用条件。此时值得尝试先建小规模正交诊断集，再用持续学习展开评估，而不是只测单因素。选择上若目标是终点平均误差与稳定性，优先试 10% 左右的经验回放；若想定位遗忘机制，再并行试表征正则与正交梯度，前者看表示保持是否足够，后者看梯度干扰是否为主要矛盾。

复述方法时记住三句话：108 运行来自正交加折叠，缺失用合成、矛盾用修复；课程是 t0 对照加声学、说话人、语言、复合 4 段，顺序要换排列检验；结论是回放最稳且能超联合训练均值，但仍依赖容量与顺序，t4 能回补 t1 却多损伤 t2 与 t3。还需补的验证是更大真实比例、更多顺序与统计显著性，以及延迟与计算成本的实测，只有补齐这些，才能把诊断结论搬到线上增量更新策略。

⚖️ 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