从持续元音到连续儿化音：受限形变如何让三维声道既解剖可信又声学可解释

英文题目：Morphoacoustic Modeling of a Dynamic 3D Vocal Tract Using MRI-Constrained Deformations and FEM Acoustics

会议身份：conference:interspeech:2026:conference-paper-id:piyadasa26_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：#信号处理 #发声与构音 #语音 #语音合成

评分：5.5/10 | 创新 1.3/2 | 技术严谨 1.0/1.5 | 实验充分 0.6/1.5 | 清晰度 0.7/1 | 影响力 0.8/1.5 | 开源 0.0/1.5 | 可复现 0.3/0.5 | 工程/实践 0.8/1.5

排名：前50% | 文档类型：方法研究

👥 作者与机构

• Tharinda Piyadasa：机构信息未能从会议 PDF 纯文本可靠映射
• Michael Proctor：机构信息未能从会议 PDF 纯文本可靠映射
• Tünde Szalay：机构信息未能从会议 PDF 纯文本可靠映射
• Joan Glaunès：机构信息未能从会议 PDF 纯文本可靠映射
• Amelia Gully：机构信息未能从会议 PDF 纯文本可靠映射
• Kirrie Ballard：机构信息未能从会议 PDF 纯文本可靠映射
• Emily Kiff：机构信息未能从会议 PDF 纯文本可靠映射
• Naeim Sanaei：机构信息未能从会议 PDF 纯文本可靠映射
• Sheryl Foster：机构信息未能从会议 PDF 纯文本可靠映射
• David Waddington：机构信息未能从会议 PDF 纯文本可靠映射
• Craig Jin：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

输入为同一名澳大利亚英语成年女性说话人的持续发音容积MRI、中矢状面实时MRI视频序列与扫描外坐姿录音，输出为沿协同发音轨迹采样的三维声道网格及其频域共振峰轨迹，难点在于二维动态观测无法直接约束三维分支侧腔，且三维声学对唇部辐射条件、牙齿缺失和微小几何误差高度敏感。方法链分三步：先以ITK-SNAP分割持续[ɑ:]和[ɹ:]三维口腔气道并配准到统一坐标系，再将[ɑ]→[ɹ]和[ɹ]→[ɑ]建模为两段受限大变形微分同胚度量映射，用全部过渡帧中矢状面气道轮廓共Nrt=42和Nrt=23作为序列约束引导测地形变路径并按帧索引采样中间网格，最后将水密网格嵌入类头部封闭体再置于半径0.4 m球形外场，用COMSOL压力声学频域求解亥姆霍兹方程，以声门均匀法向质点速度激励、唇前15 cm接收点计算声压级传递函数峰值。与仅约束端点的传统配准和一维面积函数管模型相比，该链条保留三维侧腔与自由场辐射，使中间几何在解剖与声学上同时可检查。在持续音端点评测设置下，FEM的指标F1为800 Hz，高于扫描外持续音参考的指标F1的690 Hz。去每共振峰全局偏置后F1残差离散为78 Hz、F2为74 Hz、F3为163 Hz，相对量D(F3-F2)轨迹相关为r=0.72，受限于地标数n=5仅作定性支持。结论仅适用于单人单次intervocalic rhotic概念验证，持续音相对连续语音存在超发音效应。原文未披露训练推理部署成本，FEM仅做5个网格以降低计算负担。

🔗 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，本文要解决哪一步？

本文的输入是两类真实采集的数据。第一类是高分辨率容积磁共振，也就是让 1 名澳大利亚英语成年女性被试持续发出[5:] 与[ô:] 并保持姿态，扫描得到体素尺寸为 1.6 乘 1.6 乘 2.0 毫米的 3 维口腔气道形状。第二类是同一被试说短句[5-ô-5] 时的中矢面实时磁共振视频，每秒 72 帧、面内分辨率为 0.97 平方毫米、层厚 8 毫米，同时在扫描仪内录到 16 千赫兹音频，另有在扫描仪外坐姿录制的干净音频作为声学参考。

目标是从这两类数据构造出随时间连续变化的 3 维声道网格，并证明中间形状不仅看起来合理，算出的声音也与真实共振峰轨迹一致。必须保留的关键信息是：这不是从音频直接合成语音，也不是训练神经网络做映射，而是先做几何形变、再做物理声学仿真、最后与实测共振峰对比的验证链条。输出是 5 个地标状态的 3 维网格各自对应的第一至第三共振峰估计，以及与实测轨迹的偏置与残差分析。本文解读默认从原文独立写作，不引入外部评价。

本文没有收到代码与数据可用性验证，因此不声称代码、模型或数据已公开。

已有三维声学与几何形变路线各解决了什么，还缺什么？

在声学一侧，1 维管模型把声道看作截面积串联的管道，可以从中矢面数据估计面积函数，计算快但丢掉了 3 维分支与侧腔信息，对儿化音这类依赖前后腔耦合的声音尤其不够。3 维数值方法按离散方式分为体方法与边界方法。体方法如有限元与时域有限差分直接在空气体积中求解波动方程或亥姆霍兹方程；边界元用表面积分处理无界外场的辐射；数字波导网格与传输线矩阵则用互连波导网络近似多维传播。

原文强调，这些方法的共振峰估计对边界与辐射条件非常敏感，也对分割误差、牙齿与小腔的处理非常敏感，儿化音标志性的第三共振峰降低会随口腔腭部收缩位置的微小差异而大幅变化。在几何一侧，大形变微分同胚度量映射擅长为复杂生物形状生成光滑形变，最近工作已尝试用实时磁共振边界轮廓约束它，使元音过渡更真实。但原文指出，仍然缺少一个验证框架来判断中间 3 维形状在声学与解剖上是否可信。

本文的缺口正是把受约束的形变轨迹接到有限元声学仿真，用实测共振峰检验中间形状。

为什么选元音加儿化音的序列作为检验对象？

研究对象是元音辅音元音序列[5-ô-5]，重点是位于元音之间的儿化近音及其前后过渡。选择它的教学原因是：儿化音的声学标志是第三共振峰显著降低，而这个降低对舌体收缩位置、前后腔形状划分极其敏感，几何上差一点，声音上差很多，因此是最严格的探针。如果形变方法在过渡段捏错了收缩位置或腔体体积，第三共振峰就会对不上。

同时，持续发音与连续语音存在系统差异：持续音发得更用力、姿态更极端，仰卧与坐姿也会改变声道，加上扫描仪噪声使仪内音频难以准确估计共振峰，所以不能把持续音共振峰直接当作连续语音的真值。论文因此设计了双重参考：用持续[5:] 与[ô:] 检验端点几何与仿真设置是否合理，再用连续[5-ô-5] 的 5 个地标检验轨迹跟踪能力。5 个地标记作首元音目标、进入儿化过渡、儿化目标、离开儿化过渡、尾元音目标，分别对应 2 次形变路径上的采样点。

从磁共振到共振峰的完整链条如何走通？

先沿一个样本走完全程。起点是持续[5:] 的 3 维分割网格与持续[ô:] 的 3 维分割网格，以及两者之间共 42 帧实时磁共振轮廓构成的进入段约束，和返回段共 23 帧轮廓约束。研究把[5] 到[ô] 与[ô] 到[5] 建模为 2 次连续形变，每次都用全部中间帧作为顺序约束，超参数与优化设置与前作保持一致。形变完成后，按实时磁共振帧索引在轨迹上采样出 5 个地标对应的 3 维网格。

每个网格经过补洞成为水密面，嵌入类头包络并放入半径 0.4 米的球形外部空气域，然后在声门处加均匀法向质点速度激励，做 50 至 3000 赫兹、步长 10 赫兹的频域扫频，在唇前 15 厘米接收点计算声压级频响并拾取显著峰作为第一至第三共振峰。声学地标独立地在扫描仪外录音的波形与窄带语图上标定，因儿化释放段出现嗓音变化与快速的第一第二共振峰运动，改用重排语图提高分辨率，再用语音软件以 30 毫秒窗、5 个共振峰、5500 赫兹上限、50 赫兹预加重估计共振峰。

仪内与仪外录音之间不做时间对齐，只在地标状态层面比较。

容积磁共振成像 × 实时磁共振成像： 容积磁共振成像负责提供高分辨率的 3 维持续发音端点形状，分辨细节但只能拍稳态；实时磁共振成像负责提供每秒 72 帧的中矢面气道轮廓序列，捕捉协同发音的时变过程但只有 2 维切片。二者搭配的理由是单一模态无法同时得到 3 维细节与动态轨迹，组合后以前者为形变起点和终点、以全部中间帧为路径约束，新增作用是得到随时间连续且解剖一致的 3 维网格序列。

下面这张图展示了声学仿真所用的几何如何一步步搭建，是理解辐射处理的关键。

看图路径： 1. 先看面板 a 中矢面剖切的气道空腔与周围组织的边界，确认这是分割起点；2. 再看面板 b 红色气道如何被深色类头包络包裹并只在口部开口；3. 最后看面板 c 中央小气道与外层稀疏球形网格的尺度对比，理解辐射域的作用

论文图 1。原论文 Figure 1：“Geometry construction stages for acoustic simula- tion of the vowel [5:] (cross-section): (a) ITK-SNAP vocal tract segmentation, (b) head-enclosed geometry generated in Geo-…”。

图中从左到右依次是体素分割得到的薄壁气道剖面、嵌入头部后气道开口与面部外表面的关系、外层大球域与中央小头部的尺度关系。教学要点是：头部包络把唇口截断包起来，避免在唇口直接加人工辐射条件；大球域外表面再用完美匹配边界吸收外行波，从而近似自由场。这种先包头再包球的做法是语音有限元中推荐的降低辐射敏感性的手段。

形变与声学两个组件各自算什么，如何配合？

形变组件的核心是带正则的匹配目标：速度场在整个时间上的范数积分加上端点形状差异项，其中范数由高斯核尺度决定的再生核希尔伯特空间定义，形状差异用基于变体面的曲面表示实现。优化求解随时间变化的速度场并积分得到微分同胚流。与仅匹配端点的配准不同，本文把全部实时磁共振帧作为顺序约束，引导中间形变贴合观察到的中矢面边界。

声学组件在空气域求解亥姆霍兹方程，总声压满足拉普拉斯加波数平方项为零，波数等于角频率除以声速。声道与头部壁面设为刚性硬壁，即法向梯度为零；另在程序中测试过热黏性边界层阻抗，差异小于 10 赫兹，因此报告刚性壁结果。声门处给定 1 米每秒的均匀法向质点速度，利用动量关系转化为声压法向导数条件；外球面设为完美匹配边界。

声压级以 20 微帕为参考计算。扫频后在频响上找显著局部峰作为共振峰。

受限大形变微分同胚度量映射 × 中矢面气道轮廓： 受限大形变微分同胚度量映射负责在源网格与目标网格之间生成光滑可逆的流形变，保证拓扑不撕裂；中矢面气道轮廓负责把每 1 帧实时磁共振观察到的 2 维边界作为中间约束，拉住形变不走偏。二者搭配的理由是仅匹配端点会让中间形状自由插值而失真，组合后优化目标同时惩罚速度场能量与端点匹配误差并受全部中间轮廓引导，新增作用是让采样到的过渡网格在几何与声学上都更可信。

形变提供随时间连续的封闭气道，声学把每个时刻的封闭气道变成一条可与录音对比的频率曲线，两者通过地标帧索引衔接。

有限元声学仿真 × 共振峰： 有限元声学仿真负责在 3 维气道体网格与外部球域中求解频域亥姆霍兹方程并在唇前 15 厘米处计算声压级频响；共振峰负责把频响上的显著局部峰值读作第一至第三共振峰，作为与录音对照的声学量。二者搭配的理由是几何正确不等于声音正确，需要把形状映射为可测量的频率，组合后每个形变状态都对应一条 50 至 3000 赫兹的传输曲线，新增作用是为中间 3 维形状提供声学验证标准。

边界条件的选择直接影响共振峰绝对值，因此论文先做端点合理性检查，再讨论轨迹一致性。

刚性壁边界 × 完美匹配边界： 刚性壁负责把声道与头部包络表面设为法向声压梯度为零的硬壁，近似声波在组织壁面几乎全反射；完美匹配边界负责把半径 0.4 米外球域的外表面设为吸收 outgoing 波的辐射条件，近似自由场。二者分工是内边界管共振、外边界管辐射，搭配理由是若在唇口直接截断会引入人为反射高估辐射阻抗，组合后先把声道嵌入类头包络再加外部空气域，新增作用是降低唇口截断敏感性并让唇前接收点更可比。

本研究有没有训练神经网络，实际优化了什么？

本研究没有训练神经网络，也没有学习权重、划分训练集验证集测试集或报告训练曲线，因此不能用机器学习的训练语言来描述它。实际计算分为两类。第一类是形变优化：对 2 次过渡分别求解速度场，使正则项与形状匹配项之和最小，中间受 42 帧与 23 帧轮廓约束，超参数沿用前作而不重新搜索，输出是参数化的形变轨迹而非网络参数。原文未报告梯度路径细节、迭代次数与收敛阈值，这些是具体缺项，不从方法名称推定实现。

第二类是物理仿真而非推理：每个地标网格调用有限元求解器做确定性频域扫频，给定几何与边界条件后求解线性亥姆霍兹方程，不存在随机初始化或 dropout 带来的不确定性，但网格质量、分割误差与边界简化仍会带来系统偏差。地标扰动检验是将每个地标前后移动 1 帧实时磁共振并重新采样，结果定性结论不变，说明采样对单帧抖动不敏感。

数据、协议与评价条件如何组织才算公平？

被试为 1 名澳大利亚英语成年女性，采集与重建协议沿用前作。实时磁共振为径向编码闪速序列重建的中矢面视频，容积成像在持续发音时获得高分辨率 3 维目标姿态，组织边界用交互式软件按既有流程标定，中矢面姿态通过配准转换到容积坐标系。评价分为两层。端点层比较持续[5:] 与[ô:] 的仪内仰卧录音、仪外坐姿录音与有限元共振，目的是检验分割与边界设置是否合理，此时姿态与录音条件差异是已知混杂。

轨迹层比较连续[5-ô-5] 5 个地标的实测共振峰与对应形变网格的有限元共振，仪内音频因噪声不可靠而不用于标定，只用仪外干净录音。共振峰估计统一用相同软件设置，仿真统一用相同扫频与峰拾取规则。为便于在同一频率轴上观察，论文对每个共振峰估计一个常数偏置，即 5 个地标上实测减仿真的均值，并均匀加到整条轨迹上。原文明确指出该对齐仅用于可视化，不改变地标间变化，也不作为预测校准。

评价依据是对齐后残差在地标间的离散程度，以及与偏置无关的第三减第二共振峰差值轨迹相关性。 下面这张图把声学地标、实时图像与 3 维网格放在同一时间轴上，是复现地标采样的关键依据。

看图路径： 1. 先沿顶部波形从左向右看振幅包络在儿化段的衰减与恢复；2. 再看中部重排语图上五条虚线地标与共振峰轨迹的对应位置；3. 最后自左向右对比五组中矢面图像与下方三维气道模型的开口与舌体变化

论文图 2。原论文 Figure 2：“Waveform and reassigned spectrogram of out-of-scanner utterance [5-ô-5].”。

顶部蓝色波形显示儿化段能量明显减弱，中部语图显示共振峰轨迹在中间凹陷，下方五列从左到右依次为首元音目标、进入过渡、儿化目标、离开过渡、尾元音目标的中矢面图与对应 3 维气道。复现时应先按发音收缩与释放线索在实时序列上定帧，再用帧索引去形变轨迹采样，而不是把仪内与仪外时间直接对齐。

端点合理吗，连续轨迹跟上了吗？

端点检查显示，有限元结果更接近坐姿持续音而非仰卧仪内音，且第一共振峰系统性偏高约 110 赫兹，第二第三共振峰接近。以持续[5:] 为例，有限元第二第三共振峰与坐姿值接近，第一共振峰高出约 110 赫兹；持续[ô:] 同样是第二第三接近、第一偏高约 110 赫兹。原文认为在磁共振有限元建模中不期待绝对一致，这与既有文献一致。连续语音与持续音差异很大：坐姿持续[5:] 的第二第三共振峰明显高于连续 utterance 中首尾元音地标，儿化地标的第二第三共振峰又明显低于持续[ô:]，其中连续儿化地标的低第三共振峰符合儿化音的典型声学特征，反映了协同发音中目标欠达与前后音重叠。

持续发音 × 连续协同发音： 持续发音指被试在扫描仪中长时间保持的[5:] 与[ô:] 目标姿态，几何清晰但存在超发音与仰卧姿态效应；连续协同发音指坐姿在扫描仪外自然说出的[5-ô-5] 序列，目标常达不到稳态且前后音相互重叠。二者搭配比较的理由是不能直接把持续音的共振峰当作连续语音的真值，组合后论文同时画出持续参考与连续地标，新增作用是分离出系统性偏置与真实的轨迹跟踪能力，并解释为何儿化音在连续语流中第三共振峰显著更低。

为具体核对绝对值，先看有限元端点与持续参考更接近、与连续地标更远的对照表。表中条件列区分持续参考与连续地标，指标列为第一至第三共振峰，数值保留原文写法与单位，比较对象为有限元端点。

该表说明，有限元系统性偏高，但偏置相对稳定；连续地标整体低于持续参考，支持超发音与协同发音的解释。

绝对值对比如不做偏置对齐会掩盖轨迹一致性，因此下一步看对齐后残差。 下面这张绝对值叠加图把实测、仿真与持续参考画在同一重排语图上，便于看到持续与连续的垂直差距。

看图路径： 1. 先确认横轴时间为毫秒、纵轴为频率，对齐五条虚线地标时间；2. 再按红绿黄区分第一至第三共振峰，比较圆圈实测与方块仿真在同一虚线上的高低；3. 最后观察持续音参考符号在 100 毫秒与 300 毫秒附近与连续地标的垂直距离

论文图 4。原论文 Figure 3：“Absolute formant landmarks overlaid on reassigned spectrogram of out-of-scanner [5-ô-5] utterance.”。

图中 5 条虚线为地标时刻，红绿黄分别对应第一至第三共振峰，多种符号区分仪外连续实测、3 维仿真与持续参考。可以看到持续参考符号在首尾与中间时刻明显高于连续地标，而仿真符号整体偏高但随时间起伏与实测走向相近。 为量化对齐后的一致性，再看残差离散与相关性表。该表比较对象是同一地标上实测减去对齐后仿真的残差，以及与偏置无关的差值轨迹。

该表显示，第一第二共振峰去偏后残差较小，第三共振峰在儿化后过渡段仍明显偏高。

差值轨迹相关为 0.72，但样本仅 5 个、置信区间包含零，原文仅作定性支持而不作正式统计检验。 下面这张偏置对齐图去掉了系统性高估，便于判断轨迹形状是否跟上。

看图路径： 1. 先看五条虚线处圆形实测与方形对齐后仿真是否落在同一频率带；2. 再跟踪红色第一共振峰在 300 毫秒附近的低谷与绿色第二共振峰的走向；3. 最后重点看 400 毫秒后黄色第三共振峰两类符号的分离程度

论文图 3。原论文 Figure 4：“Offset-aligned comparison of formant landmarks for the upright out-of-scanner [5-ô-5] utterance and corresponding 3D FEM deformation states.”。

图中圆圈为仪外实测，方块为对齐后仿真，虚线为地标时刻。可以看到第一第二共振峰两类符号在 5 条线上基本贴合，黄色第三共振峰在中间凹陷处大体跟随，但在 400 毫秒附近方块高于圆圈，对应前表约 257 赫兹的释放段残差。这是全文最强的轨迹证据，也是最明确的未解决局部误差。

哪些对照说明误差来自哪里，而非方法完全失效？

论文没有做神经网络消融，但提供了 3 组可比作声学消融的对照。第一组是边界条件对照：改用热黏性边界层阻抗后共振峰变化小于 10 赫兹，因此报告刚性壁结果，说明当前系统性偏高不是简单换一个壁面模型就能消除， fuller 的热黏性与多物理耦合留待未来工作。第二组是地标扰动对照：每个地标前后移动 1 帧并重新采样，有限元与音频比较的定性结论不变，说明结果不依赖单帧选择的偶然性。

第 3 组是持续与连续对照：有限元端点更接近持续参考而非连续地标，若方法完全失效，端点也不会同时在第二第三共振峰上接近持续值。未胜出项是第三共振峰的释放段：对齐后仍高出约 257 赫兹，残差离散达 163 赫兹，明显大于第一第二共振峰的 78 赫兹与 74 赫兹。论文提出两个可能来源，一是释放段局部几何差异未被选中网格或分割精度完全捕捉，二是缺少牙齿等前部细节，而既有 3 维对照显示牙齿会显著改变传输函数。

原文未测量分割误差的空间分布，也未实际加入牙齿重算，因此这些归因属于待验证解释而非已证因果。

在什么边界内理解结论，哪些推广尚不成立？

直接报告的事实是单被试、单个[5-ô-5] 样本、5 个地标的有限元与实测对比，结论应限定为概念验证而非跨被试规律。有限解释是去偏后第一第二共振峰跟踪较好、第三共振峰大体再现降低趋势，支持受约束形变能生成声学可解释的中间形状。未验证的推测包括牙齿缺失与分割精度的定量贡献、仰卧与坐姿姿态各自的频率效应、以及扫描仪噪声对仪内共振峰的具体偏差，这些在本文未被分离测量。

相关性不等于因果：第三减第二共振峰差值轨迹相关为 0.72，但样本量为 5、区间很宽，不能据此声称统计显著。缺失证据不是技术错误，但复现者不应承诺延迟、成本或误判率得到改善，因为本文未测量计算耗时、内存占用或自动峰拾取的错误率。总体趋势不等于每步成立：即使平均残差小，释放段单点仍可能偏差很大，应用时需逐地标检查而非只看平均。

要复现这条链条，先做什么，需要哪些参数？

复现先做数据准备：按原文协议采集持续[5:] 与[ô:] 容积像与[5-ô-5] 实时像，用交互式分割得到水密气道面，把中矢面轮廓配准到容积坐标系，并保留进入段 42 帧与返回段 23 帧的全部约束。然后做形变：以前作为超参数基准，分 2 次优化[5] 到[ô] 与[ô] 到[5] 的速度场，输出参数化轨迹；按发音收缩与释放线索在实时序列上定 5 个地标帧索引，再到轨迹上采样对应网格，扰动正负 1 帧检验稳定性。

接着做声学：在几何软件中修复水密并嵌入类头包络，放入半径 0.4 米球域，外表面设完美匹配边界，壁面设刚性硬壁，声门给 1 米每秒均匀法向速度，在唇前 15 厘米处计算声压级，做 50 至 3000 赫兹、10 赫兹步长的扫频并拾取显著峰。评价时用仪外坐姿干净录音，以 30 毫秒窗、5 个共振峰、5500 赫兹上限、50 赫兹预加重估计参考值，不做仪内仪外时间对齐，只比地标状态；先看绝对值与持续参考的距离，再估计每共振峰常数偏置并看去偏残差，最后计算与偏置无关的第三减第二差值轨迹作定性核对。

关键超参数与信息条件是帧数、扫频范围与步长、接收点距离与球半径、激励幅值与参考声压，缺一不可。关于开源状态，本次未验证到可用资源，不得声称代码模型数据已公开；原文提及的有限元模型与示例地址需自行确认可达性。

何时值得尝试这套方法，还需补哪项验证？

当研究问题需要同时保留 3 维解剖细节与连续运动轨迹，并希望中间形状能经受声音检验时，这套先受约束形变、后有限元验证的路线值得尝试，尤其适合儿化音、边音、鼻化等对 3 维腔体敏感的音段。它的价值在于把几何合理性转化为可测量的频率残差，让每一步误差都有位置可查。不值得直接照搬的情形是多被试统计建模或实时合成，因为本文仅为单被试单样本验证，未提供跨人泛化与计算开销证据。

还需补的验证至少有三项：一是在释放段加密采样并量化分割不确定性，看第三共振峰残差是否随之缩小；二是补上有无牙齿的受控 3 维对比，分离前部细节的贡献；三是扩大被试与音段，检验常数偏置是否稳定、差值轨迹相关是否在更大样本下成立。记住核心判断：系统性偏高可以通过常数偏置对齐来观察轨迹，但偏置本身来自姿态、辐射简化与几何不确定性的叠加，不能当作可外推的校准系数。

⚖️ 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