儿童波兰语咝音发音位置错了，能靠自编码器压出的频谱向量检出吗

英文题目：Detection of Incorrect Place of Articulation in Polish Sibilants Using Convolutional Autoencoders

会议身份：conference:interspeech:2026:conference-paper-id:pieniazek26_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：#CNN #多任务学习 #言语障碍 #语音 #病理语音评估

评分：5.5/10 | 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 0.5/1.5 | 开源 0.0/1.5 | 可复现 0.1/0.5 | 工程/实践 0.8/1.5

排名：前50% | 文档类型：应用研究

👥 作者与机构

• Wojciech Pieniążek：机构信息未能从会议 PDF 纯文本可靠映射
• Oliwia Skórzewska：机构信息未能从会议 PDF 纯文本可靠映射
• Maria Filipek：机构信息未能从会议 PDF 纯文本可靠映射
• Zuzanna Miodońska：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

儿童波兰语清卷舌擦音 /ʂ/ 与塞擦音 /tʂ/ 的调音位置误读检测，输入为人工切分的音段语谱图，输出为卷舌正常与齿间异常的二分类，难点在于儿童发音变异大且病理样本稀少。方法链分为三步：先将语谱图缩放到统一尺寸并送入卷积编码器压缩为低维嵌入，再由解码器重构输入以保留谱结构，最后将瓶颈向量标准化后交由支持向量机完成分类。与纯无监督重构相比，多任务变体在瓶颈上并联交叉熵分类头，迫使嵌入同时编码可重构性与诊断相关性。在儿童语料的说话人无关十折交叉验证下，最优多任务模型对擦音 /ʂ/ 灵敏度为 81.63%且准确率为 72.68%，对塞擦音 /tʂ/ 灵敏度为 84.31%且准确率为 70.31%，高于作者既往梅尔频率倒谱系数加支持向量机在塞擦音上约 71.58% 的灵敏度。该结论仅适用于受控图片命名任务中的两个卷舌嘶音，未验证连续语音与多中心泛化。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

为什么儿童咝音的发音位置判断难到需要机器帮忙？

输入是本研究要处理的对象：4 岁到 8 岁波兰儿童在看图命名任务中发出的清卷舌咝音，包括擦音与塞擦音两类。目标是判断每 1 次发音的发音位置是规范的卷舌还是最常见的非规范齿音，其他更少见的发音位置变体被排除在分析之外。必须保留的信息是说话人年龄段、两类音素各自的说话人数与录音条数、正常与异常的比例，以及后续所有划分都按说话人独立进行。输出是 1 篇能让研究生复述采样、预处理、模型、划分、指标与统计检验的技术解读，不做超出原文的疗效承诺。

儿童咝音难在三点。第一，儿童构音器官还在发育，发音重复性低，同一个人同个词 2 次发音的频谱细节也可能漂移。第二，异常样本天然少，正常卷舌实现远多于齿音，分类器很容易偏向多数类，把少数异常漏掉。第三，临床依赖有经验的言语语言病理师逐条听辨，而病理师资源有限，早期筛查难以覆盖。原文把这种咝音错误归为儿童常见语音障碍中的一种错位，强调早期准确诊断决定干预效果。

正因如此，作者不直接对波形做规则判断，而是把声音先变成语谱图，再让卷积自编码器学习紧凑表示，最后用支持向量机在表示上分类。这条路线把声学变异性先压缩，再在低维空间划边界，适合小而偏的儿童语音集。后续章节按学习依赖展开：先看已有路线为什么不够，再走完一个样本从切分到判定的全流程，然后讲训练与评估条件，最后用数字与反例收束。

已有路线用了什么输入、什么监督、什么阶段？

要理解本研究的取舍，先按同输入、同目标、同监督、同运行阶段对照已有工作。第一条路线是支持向量机加人工声学特征，输入是精心设计的声学参数，监督是有标签的正常与异常，运行阶段是训练分类器直接判决。这类方法在小数据上稳定，但特征依赖人工设计，对儿童高变异频谱的覆盖有限。

第二条路线是卷积神经网络直接做语音障碍检测与发音评估，输入多为语谱图，监督是端到端分类标签。原文指出这类系统在语音障碍检测上有效，但在小或不平衡数据上性能可能受限。这正是本研究不直接端到端分类的原因之一：儿童数据量小且偏，端到端容易记住说话人。

第三条路线是自编码器做表示学习。级联自编码器处理梅尔频率倒谱系数后接柔性最大化层，在嗓音障碍任务上报告过高准确率；稀疏自编码器加稀疏约束并结合支持向量机，在帕金森检测中达到约 85% 准确率；多任务自编码器在瓶颈层同时优化重构与分类，被报告在嗓音病理检测中达到 90% 准确率与 91% 灵敏度。还有工作用孪生循环自编码器检测 5 岁到 11 岁儿童音系错误。这些工作的输入有倒谱系数也有语谱图，监督从纯无监督到重构加分类双目标都有，运行阶段都是先学表示再分类。

本研究的差别在于比较对象更集中：同一语谱图输入、同一儿童咝音发音位置目标、同一说话人独立划分下，比较经典卷积自编码器、稀疏卷积自编码器、多任务卷积自编码器 3 种表示，再接同一套支持向量机流程。原文称据作者所知，这种专门在儿童语音上比较自编码器分类器的工作此前尚未见报道。教学上可以这样记：前人证明了表示加分类可行，本研究追问哪种瓶颈约束更适合儿童咝音。

到底要判什么？把一次发音走完输入到输出

问题定义很窄：给定一段已切分出的目标咝音，判断其发音位置是卷舌还是齿音。卷舌被视为规范，齿音被视为最常见的非规范实现，凡不是卷舌的实现都算发音不正确。研究只覆盖两个波兰清卷舌咝音，一个是擦音，一个是塞擦音，不扩展到其他辅音或声调任务。

沿一个样本走完全流程有助于建立全局观。假设有 1 名 5 岁儿童在看图命名中说出含目标擦音的词，专家先从原始多通道录音中切出该咝音片段，幅度归一化到 0 到 1 区间，用 20 毫秒汉明窗、50% 帧重叠做短时分析得到语谱图，再缩放到 64×64 像素并存为便携网络图形格式。这个图像进入卷积自编码器的编码器，经过卷积加线性整流、最大池化、展平、全连接，得到长度为 d 的潜向量；解码器再把潜向量还原成 64×64 图像用于计算重构误差。分类时只用潜向量，标准化后送入径向基核支持向量机，输出是卷舌或齿音的标签。

这里先用白话解释关键术语。语谱图是把声音按时间与频率展开的 2 维能量图，横轴是时间帧，纵轴是频率，亮度代表能量，卷积网络可以直接从中学习条纹与共振峰模式。潜向量是瓶颈层的低维编码，好比把一幅图压成十几个到几十个数字，还要求能大致还原原图。发音位置是舌尖与硬腭相对位置决定的发音类别，齿音与卷舌音在高频摩擦噪声分布上有差异，但儿童发音不稳定使差异被掩盖。例子仅为教学示意，不代表原文报告过该样本的数值或效果。

方法全景：三段式流水线如何分工？

全系统分成 3 段。第一段是信号预处理，负责把专家切分的波形变成统一尺寸的语谱图，保证后续卷积结构输入一致。第二段是表示学习，负责用 3 种卷积自编码器变体把语谱图压成潜向量，比较无约束、稀疏约束、有监督辅助 3 种瓶颈。第 3 段是分类，负责在潜向量上训练支持向量机，用类别加权与核参数搜索应对不平衡。

为建立结构直觉，先读基础自编码器架构图。以下导读针对本次收到的官方原图第一张，图中从左到右依次是输入、编码器、瓶颈、解码器、输出，瓶颈处还标出作为支持向量机输入的位置。

看图路径： 1. 从左向右沿输入 64×64×3 到输出追踪编码器、瓶颈、解码器主路径；2. 核对瓶颈处标注的 Latent Dense(d) 与 SVM input 分支位置；3. 比较编码器蓝色卷积加池化块与解码器绿色反卷积块的对称关系；4. 记下 d 的可选集合，理解瓶颈宽度是后续对比变量

论文图 1。原论文 Figure 1：“Basic architecture of the convolutional autoencoder, used in each variant of the analyzed CAE; d denotes the variable dimensionality of the latent space.”。

该图显示输入与输出都是 64×64×3 图像，编码器由两组卷积加线性整流与 2×2 最大池化堆叠而成，之后展平到 2048 维再经全连接压到 d 维潜向量，解码器经全连接回到 2048 维、反展平为 8×16×16 再经 2 级反卷积还原。稀疏变体在此基础上对隐单元平均激活加库尔贝克莱布勒散度正则，多任务变体在瓶颈上另接全连接分类层并用交叉熵计算辅助损失。原文明确 3 种变体共享类似主干与均方误差重构损失，差异只在瓶颈约束与训练目标，这为公平比较提供了结构基础。

流水线的监督来源要分清。经典与稀疏自编码器的编码器训练是无监督的，只看重构误差与稀疏项；多任务自编码器是重构加分类双目标，分类分支提供有监督梯度；最终的支持向量机阶段则是有监督的，用与自编码器相同的说话人独立划分训练。梯度路径方面，原文只说明辅助分类器的损失与重构损失合并为总体训练目标，未报告各分支权重系数、优化器类型、学习率与停止准则，这些缺项在复现节会集中列出，不从模型名称推定实现。

三个组件各自算什么？瓶颈宽度与核参数怎么动？

编码器承担降维与特征提取。白话说，它用卷积核在语谱图上滑动提取局部时频纹理，用池化缩小尺寸保留显著响应，最后用全连接压成 d 维向量。d 的候选集合是 10、13、16、20、30，d 越小压缩越狠，可能丢失齿音与卷舌音的细微高频差异，d 越大保留越多但也更容易混入说话人信息。解码器承担验证表示是否保真，用均方误差衡量还原图与原图的逐像素差异，误差小说明潜向量抓住了主要结构，但保真不等于可分，这是需要稀疏或多任务约束的原因。

卷积自编码器 × 支持向量机： 卷积自编码器负责把 64×64 语谱图压成低维潜向量并重构，承担无监督的结构特征提取分工；支持向量机负责在潜向量上用径向基核函数划出齿音与卷舌音的决策边界，承担小样本有监督分类分工；二者搭配的理由是儿童语音数据少且不平衡，直接端到端分类容易过拟合，先压缩再分类可以让分类器只看紧凑且去噪的表示，组合意义是把表示学习与决策分离，便于在同一划分下比较不同瓶颈表示的可分性。

稀疏约束 × 潜向量： 稀疏约束指在重构损失上加库尔贝克莱布勒散度项，要求每个隐单元平均激活接近预设小目标，承担让不同神经元响应不同输入模式的分工；潜向量指编码器输出的长度为 d 的瓶颈向量，承担承载判别信息并作为支持向量机输入的分工；二者搭配的理由是无约束的潜向量可能让所有神经元都激活而混叠，稀疏化迫使表示分散，组合意义是提升不同发音位置在潜空间中的可分性。

多任务学习 × 瓶颈分类器： 多任务学习指同时优化语谱图重构损失和发音位置分类的交叉熵损失，承担让表示既保真又可判别的分工；瓶颈分类器指直接接在潜向量上的全连接分类层，承担在训练期提供有监督梯度来源的分工；二者搭配的理由是纯无监督重构可能保留说话人或噪声细节而丢掉齿音与卷舌音差异，加入监督分支可以把诊断信息压进瓶颈，组合意义是得到结构有意义且类别可分的新潜空间。

支持向量机承担在潜向量上划边界。白话说，它把潜向量经径向基核函数映射到高维，再找一个间隔最大的超平面分开两类。两个核参数需要搜索：正则化参数 C 控制对误分的惩罚力度，核宽度参数控制样本影响范围。原文测试的 C 与核宽度候选从 0.001、0.005 起一直到 1000、1500，范围很宽。为应对不平衡，训练时加入类别加权，对少数齿音误判施加更强惩罚。潜向量在送入分类器前先标准化，使各维度尺度一致，避免某 1 维数值大而主导距离计算。

组合机制的直觉是：编码器决定潜向量里有什么，稀疏或多任务决定潜向量偏向哪类信息，支持向量机决定如何用这些信息划线。初学者容易把自编码器重构好等同于分类好，原文的对照恰好反驳这一点：重构好的经典模型在塞擦音上整体准确率明显低于多任务模型，说明保真与可分是两个目标，需要分开评估。

训练与构造：哪些参数更新，哪些划分冻结？

训练对象是按音素分别进行的，擦音与塞擦音各自独立训练自编码器与支持向量机，不共享权重。每个自编码器变体都在 10 折交叉验证下训练与评估，划分策略是说话人独立：同一说话人的所有发音要么全在训练集，要么全在测试集，每折都如此。这样做是为了防止模型记住某个孩子的嗓音特点，而不是学会发音位置的通用频谱差异。支持向量机使用与对应自编码器完全相同的数据划分与训练样本，保证比较的是表示能力而非划分运气。

参数更新方面，原文明确自编码器使用均方误差损失，稀疏变体额外加库尔贝克莱布勒散度稀疏项，多任务变体额外加瓶颈分类器的交叉熵损失并合并为总体目标。原文未报告优化器种类、学习率、批量大小、训练轮数、早停规则、稀疏目标值与两项损失的加权系数，也未说明多任务分类分支在推理时是否丢弃。这些缺项意味着无法从文字唯一重放梯度路径，复现时只能先按常规选择并记录为待验证假设。

构造与推理流程是确定的：推理时取测试语谱图过编码器得到潜向量，标准化后送入本折训练好的支持向量机得到标签，不需要解码器参与。预处理在训练前冻结，语谱图生成用数学实验室 2025a 版本实现，窗口与重叠固定，尺寸固定为 64×64。需要强调的是，本研究确实包含神经网络训练，不是无训练论文；但超参数搜索空间大，约三分之二训练出的分类器因灵敏度与准确率都低于 50% 而被排除，这部分退化解在结果节会作为失败条件展开。

实验条件：数据从哪来，如何切分，用什么指标与统计？

数据来自波兰一项学龄前儿童构音发展的大型研究，在 5 所幼儿园与 1 所小学采集，儿童年龄 4 岁到 8 岁。采集系统含 15 个空间分布麦克风与同步视频，但本研究只用中央位置的驻极体麦克风所录信号，采样率 44.1 千赫，16 位分辨率。每个孩子完成看图命名任务以引出目标咝音，由有经验的言语语言病理师判断发音是否符合年龄规范并标注发音位置。参与前取得监护人书面知情同意与儿童口头同意，研究经波兰卡托维兹体育大学生物伦理委员会批准。

以下表格整理语料构成，比较问题是两类音素各自有多少说话人与录音、正常与异常比例是否一致，公平条件是同一中央麦克风、同一专家标注、同一预处理，指标方向是条数越多、比例越平衡越利于学习。

上表显示两类音素都高度不平衡，擦音异常占比约 19%，塞擦音异常占比约 17%，这解释了为什么评估要把灵敏度放在首位，以及为什么支持向量机需要类别加权。原文还报告平均时长：擦音卷舌 213 毫秒加减 98 毫秒、齿音 230 毫秒加减 107 毫秒，塞擦音卷舌 246 毫秒加减 99 毫秒、齿音 241 毫秒加减 105 毫秒，说明时长本身区分度有限。其他少见发音位置变体被排除，只保留卷舌与齿音两类。

评估指标是灵敏度与准确率，灵敏度反映检出病理的能力，准确率反映整体正确率。聚合方式是 10 折说话人独立交叉验证，统计检验用非参数克鲁斯卡尔沃利斯检验比较不同自编码器类型的影响，原因是组内分布经夏皮罗威尔克检验不正态，且经莱文检验方差不齐。硬件预算与训练耗时原文未报告，这是复现成本上的缺项。

主结果：哪种表示在哪个音素上胜出，代价是什么？

主结果按音素分别报告，测的是潜向量对发音位置的可分性，与谁比是 3 种自编码器变体在同一划分与同一支持向量机流程下的表现，条件一致，指标方向是灵敏度越高越好、准确率作为补充。以下导读针对本次收到的官方原图第二张，该图用箱线图汇总所有支持向量机超参数配置下的分布，上排对应擦音，下排对应塞擦音，每排左为准确率右为灵敏度。

看图路径： 1. 先看上下两排分别对应哪种咝音，再看每排左右两列是准确率还是灵敏度；2. 对比同一子图内经典、稀疏、多任务三组箱体的中线与箱体高度；3. 观察下排塞擦音准确率子图中多任务箱体是否明显上移

论文图 2。原论文 Figure 2：“Distribution of accuracy and sensitivity for specific types of autoencoders.”。

该图显示上排擦音的 3 组箱体在准确率与灵敏度上位置接近，中线分别在 0.84 到 0.85 与 0.70 到 0.71 附近，箱体高度与须线长度表明经典与稀疏模型的分散更大；下排塞擦音的准确率子图中多任务箱体整体上移到 0.87 附近，而经典与稀疏箱体停留在 0.76 与 0.75 附近，灵敏度子图 3 组中线仍在 0.70 到 0.71 附近但多任务的须线更长。这支持原文的统计结论：擦音上模型类型对灵敏度有显著影响但对准确率无显著差异，塞擦音上对两者都有显著影响且多任务占优。读图时注意纵轴是原始指标值，不是相对改变量，箱体是跨超参数配置的分布，不是单次最优。

灵敏度 × 准确率： 灵敏度指病理样本中被正确检出的比例，承担反映漏诊风险的分工；准确率指全部样本中判断正确的比例，承担反映整体判别平衡的分工；二者搭配的理由是本数据中正常卷舌音远多于齿音，只看准确率会被多数类主导，组合意义是用灵敏度优先保证异常检出，再用准确率检查是否以牺牲大量正常样本为代价。

以下表格整理最灵敏的若干可运行配置，比较问题是在高灵敏度区哪种自编码器出现最多、瓶颈宽度与核参数如何配合，公平条件是同一说话人独立 10 折划分，指标方向是灵敏度优先、准确率参考。

上表的主要收益是多任务表示在两个音素的最优位置都出现，塞擦音最高灵敏度达到 84.31%，擦音最高为 81.63%，均高于原文引用的此前基于梅尔频率倒谱系数支持向量机在塞擦音上 71.58% 的灵敏度。具体代价是高灵敏度配置的准确率偏低，多在 66% 到 78% 之间，而表中擦音上另有稀疏与经典配置可用 85% 左右准确率换取约 78% 到 79% 灵敏度。需要标注一处原文冲突：摘要称多任务灵敏度高达 84.32%，正文塞擦音最优写为 84.31%，两者相差 0.01 个百分点，应以正文表格为准，不自行四舍五入调和。未胜出项是经典自编码器在擦音前十中仅出现 1 次，在塞擦音前十中 1 次未出现，说明纯无监督重构对塞擦音更吃力。

消融与失败条件：瓶颈宽度、核参数与退化解说了什么？

消融在这里指改变瓶颈宽度与支持向量机核参数后观察分布变化，以及剔除退化解后的结论是否还成立。原文测试瓶颈长度 10、13、16、20、30，核正则化与核宽度从 0.001 到 1500 的宽网格。结果显示核参数对最终性能影响很大，需要按模型与音素分别优化，不存在一组通用参数通吃。

以下表格整理论文特有的实现细节，比较问题是哪些计算选择固定、哪些需要搜索，公平条件是同一语谱图尺寸与同一划分，指标方向不适用，此表为配置表而非结果表。

上表说明可复现的部分是输入尺寸、损失类型、划分原则与优先指标，不可直接复现的是优化器、学习率、批量、轮数与损失加权。失败条件方面，原文为剔除极端超参数导致的退化解，排除了灵敏度与准确率都低于 50% 的分类器，每个音素约三分之 2 模型被排除，理由是决策超平面把所有样本判为同一类。

这种大规模排除提示网格下限过小或类别加权与核宽组合不当会直接塌缩，实际部署不能用事后挑选的最优核参数代替可运行策略，需要在验证集上选参并报告选择过程。另一类负结果是擦音上稀疏模型在平均灵敏度上更稳，尽管单点最优是多任务，说明单点最优与分布稳健是两个判断，不应只看前十表格。

哪些结论还站不住？数据、表示与比较的边界在哪？

原文明确承认三项限制。第一，数据集相对小，可能限制泛化并拉低整体性能。第二，数据不平衡，规范实现远多于病理实现，可能使决策边界偏向多数类。第三，输入表示小，语谱图被缩到 64×64×3 像素，可能丢失频谱信息并降低自编码器性能。这些是论文直接报告的限制，应原样保留。

除此之外还有未测量与未验证的边界。未测量的是训练资源、推理开销、输出帧率与实际延迟，原文未报告硬件预算，因此不能承诺该方法更快或更省。未验证的是跨设备、跨年龄、跨方言的泛化，以及与其他少见发音位置的区分，因为其他变体已被排除。相关性不等于因果：多任务在塞擦音上准确率箱体上移，支持瓶颈监督有助于该音素的判断，但不能推定去掉重构分支后必然更好，原文没有做只分类不要重构的对照。

还有比较边界需要提醒。原文与此前基于梅尔频率倒谱系数的支持向量机比较，显示灵敏度从 71.58% 提升到 84.31%，但那是不同特征与不同表示的比较，且超参数都经网格搜索，支持提升但不等同于同特征下的净增益。与丁等人基于残差网络的工作比较，原文指出对方分析的是不同语音单元，只能有限对照，不能当成同条件胜负。总体趋势不等于每组都成立：擦音上 3 类模型准确率无显著差异，不能把塞擦音上多任务的优势推广到所有咝音。

要复现这套流程，先做什么、记什么、缺什么？

复现先做数据与划分。按原文收集 4 岁到 8 岁儿童看图命名录音，只取中央驻极体麦克风信号，请有经验的标注者切出目标擦音与塞擦音片段并标注卷舌与齿音，排除其他发音位置。幅度归一化到 0 到 1，用 20 毫秒汉明窗、50% 重叠生成语谱图，统一缩到 64×64 像素。划分必须说话人独立，同一儿童的所有条目只进训练或只进测试，10 折划分要在自编码器与支持向量机 2 阶段完全复用。

再做模型与搜索。按音素分别训练经典、稀疏、多任务 3 种卷积自编码器，主干按图中 2 级卷积池化加瓶颈加 2 级反卷积搭建，重构用均方误差，稀疏加库尔贝克莱布勒项，多任务在瓶颈加全连接分类层并合并交叉熵。瓶颈宽度遍历 10、13、16、20、30。潜向量标准化后训练径向基核支持向量机，加入类别加权，网格搜索正则化与核宽度。评估以灵敏度优先、准确率补充，用非参数检验比较模型类型影响，并按原文剔除双指标低于 50% 的退化解后重新检查分布。

缺项清单要如实记录。资源状态是本次唯一依据：未发现来源绑定且完成安全验证的资源，不得声称代码、模型或数据已公开。超参数缺优化器、学习率、批量、轮数、早停、稀疏目标与损失权重；成本缺硬件、时长与推理延迟；数据缺公开下载与完整词表。

这些缺项不是技术错误，但没有它们就无法逐位重放，只能做到流程级复现。建议复现报告同时给出验证集选参策略与测试集单次结果，避免用事后最优代替可部署收益。

何时值得尝试这种表示加分类，何时不必？

当任务是小而偏的儿童语音二分类，且输入可用语谱图统一尺寸时，这套表示加分类值得尝试。经典自编码器可作为基线，稀疏约束适合想让不同神经元分工、提升平均灵敏度稳定性的场景，多任务适合有足够标注且怀疑纯重构会保留说话人噪声的场景，本研究中塞擦音就是后者的例子。瓶颈宽度与核参数必须按音素分别在验证集上选，不宜跨音素复用。

当数据极少到连 10 折说话人独立划分都难以稳定，或需要实时反馈与低延迟保证时，不必直接照搬。本文未测量延迟与算力，64×64 小图虽小，但 2 阶段训练与宽网格搜索成本不低，临床部署还需补延迟、误报率与跨设备验证。教学上记住三句话：重构好不等于可分，多任务的最优点不等于全分布最稳，高灵敏度往往以准确率下降为代价。未来的补验证应包括更大平衡集、保留更多频谱细节的输入尺寸、只分类不要重构的对照，以及明确的验证集选参流程，这样才能把实验室的灵敏度转化为可运行的筛查收益。

⚖️ 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