单声道加单镜头怎么做多人轮替预测：MuVAP 用角色相对投影锚定说话人

英文题目：MuVAP: Multimodal Multiparty Voice Activity Projection for Turn-taking Prediction in the wild

会议身份：conference:interspeech:2026:conference-paper-id:qi26_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：#数据集 #多模态学习 #严格因果 #音视频 #轮次切换

评分：7.9/10 | 创新 1.5/2 | 技术严谨 1.1/1.5 | 实验充分 1.0/1.5 | 清晰度 0.8/1 | 影响力 1.2/1.5 | 开源 1.0/1.5 | 可复现 0.3/0.5 | 工程/实践 1.0/1.5

排名：前25% | 文档类型：方法研究

👥 作者与机构

• Haotian Qi：机构信息未能从会议 PDF 纯文本可靠映射
• Gabriel Skantze：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

多方轮次切换需从单通道音频与单视角视频连续预测何时发生转换以及由哪位可见参与者接管，难点在于说话人数量可变且重叠与视觉回馈使声学归属模糊。本文方法链分三步推进：语音活动投影主干从波形提取韵律与语言线索并学习未来联合活动，主动说话人检测因果分支将音频与人脸轨迹对齐以提供分离锚点，多方融合模块以全局投影为指挥引导说话人级投影完成何时与何人解耦预测。相对已有双人联合建模，角色相对投影将任意 N 人映射为当前持有者与下一持有者固定对偶，从而避免标签空间指数膨胀。在自采音视频会话语料验证集上，多模态模型在 2 人静默轮次保持与切换预测达到宏平均 F1 值 0.696，显著高于纯音频基线。该结论仅在 2 至 3 人英语无剪辑场景验证，对更大群体与跨语言的外推尚未证明。原文未披露训练、推理或部署成本。

🔗 开源与复现资源

• 代码相关资源：https://github.com/Haotian-Qi/MuVAP — 链接可访问（HTTP 200） 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，先走完一条完整链路

本文输入是单通道麦克风波形加单视角固定机位视频，目标是在每个时刻只用过去历史连续预测未来约 2 秒内的说话活动，进而回答何时换与下一个人是谁。白话说，语音活动投影就是把未来谁在说话画成时间格子，主动说话人检测就是把声音对到画面中的嘴脸。论文面向人机交互中的多人随意对话，不依赖麦克风阵列、多机位或声道分离。

沿一个 3 人样本走一遍输入到输出。右侧视频同时看到 3 张脸并各自跟踪，下方是混合后的单声道波形，底部是 3 人真实语音时间线，当前时刻用红线标出。模型先从波形提取全局韵律语义表示，从每张脸加音频提取个体视听表示，再输出两类预测，一是全局换保持，表示当前持有者与下一持有者这对相对角色的未来联合状态，二是分说话人未来活动，给每张脸各自的未来仓概率。举例说明，若红线处 1 人刚收尾而另 1 人将起声，理想输出是全局判换，同时将起声者的未来仓概率最高。

为理解为何需要新数据集，先对比 3 类数据的连续性结构，下面这张图把孤立片段与跳切与连续流放在同一版式中对照。

看图路径： 1. 先按从上到下顺序阅读三行标题，确认孤立片段与跳切与连续流的对比关系；2. 再看中间行剪刀标记与换线索移除与保持线索移除两个方框的位置；3. 最后看底行互静虚线框与黄色预转折块中的注视转移与吸气文字

论文图 2。原论文 Figure 2：“Comparison of dataset continuity and structure.”。

上行是主动说话人数据，多为孤立说话人片段，缺少完整场景并发，依赖剧本化表情而缺乏自然轮替动态。中行是野外数据，虽场景不受限但存在编辑跳切，图中剪刀标记切断了时间线，换线索与保持线索被移除。底行是本文音频视觉对话语料，保留未剪辑连续流，明确标出共静段与转折前注视转移与吸气等可见预测线索。解释是只有连续未剪辑流才能保留互静时长与转折前行为，因果模型才能学到真实历史依赖，而跳切会人为截断韵律与视觉前兆。

检测当前谁在说与预测未来谁接话有何不同

主动说话人检测回答当前谁在说，常通过唇动与音频相关性在基准上达到很高精度，但多为识别当前帧状态，且常为提高精度而观察未来帧，不满足实时交互的因果要求。语音活动投影回答未来会怎样，把未来窗切分为时长递增的仓，若仓内一半以上帧有声则标为有声，形成联合二进制向量并映射为离散码本，用交叉熵学习韵律停顿、填充词与后通道等协调线索，无需人工事件标注。

下一说话人预测在此基础上要求在多人中点名下 1 位。传统路线依赖注视转移、头姿、张嘴等显式转折前指标，或多通道阵列与每人专属镜头做信号隔离。单通道单镜头路线则容易出现身份漂移，尤其音色相近时。本文定位是严格单镜头单声道，不做显式姿态提取，把视觉主要用作分离锚，用空间上可区分的视觉轨迹把全局声学历史锚到正确身份，同时预测每人短未来活动，从而在转折点识别下 1 位。

教学例子是把检测比作点名现在举手的人，把投影比作预测下 1 秒谁会举手，前者看嘴动即可，后者需要看对话节奏、句法完整度、填充停顿与对方是否吸气前倾。论文明确区分二者范围与时序，避免把检测精度直接当作转折预测能力。相关工作还指出句子级预测与事件级视觉帧方法虽分类准确率高，但把轮替当作孤立事件，缺少声学与面部动态的连续对齐。

多人带来什么组合困难，本文如何形式化

给定单通道波形与多条人脸轨迹，模型在每时刻输出全局联合状态分布与每条轨迹的未来活动。困难有两个，一是联合状态随人数指数膨胀，固定 3 人尚可枚举，任意人数则码本需要重训，二是单声道没有声道标签输入，无法直接把预测锚到个人。原文指出原始模型虽也是单声道但用了个体语音活动标签作输入锚，而本模型不使用此类标签输入。

本文形式化是角色相对投影。对每时刻取 4 个仓，两个历史仓与两个未来仓，时长分别为 1.4 秒、0.6 秒、0.6 秒、1.4 秒。先按历史仓总活动排序选出当前持有者，再在剩余者中按未来仓活动排序选出主要下 1 位，把多人动态约简为固定两角色对。对该对取两角色乘四仓得到 8 位向量，理论上对应较多状态，再把两角色顺序置换视为同态，得到 136 个唯一状态作分类目标。简化假设是任意时刻转折主要涉及 2 人。

该抽象模仿人类社会注意，多人协调高度局部化，人不会平均跟踪所有人，而是优先监视当前持有者与最可能的下 1 位。代价是时间分辨率下降，且需要用历史仓指定当前者，会引入最长约 2 秒的确认延迟，不平衡的保持态远多于换态。电话与野外统计也显示野外间隙与暂停更长更分散，开放地板状态更多，预测更难。

三模块如何分工，两种投影直观差别在哪里

整体分三块，语音活动主干从波形提取全局韵律语言线索，因果主动说话人主干从波形加脸图提取个体视听嵌入，主模块融合两者并输出全局与分说话人两头。训练策略是模块化多数据，大规模电话语料学习声学转折信号，标准主动说话人数据预训练视觉锚模块，自采连续多模态对话优化时序动态。主阶段冻结前两个主干，只训练融合部分。

为了直观理解可扩展性差异，下面先按时间轴阅读 3 人语音条带，再对比两种投影在窗口划分与码宽度上的不同取舍。

看图路径： 1. 先沿顶部三条语音活动色带确认在当前时刻之前谁在说话谁即将说话；2. 再对比中部按说话人编号展开的网格与底部按角色相对排布的四仓划分；3. 最后看右侧箭头后的离散码宽度，体会固定两角色如何压缩可变人数

论文图 3。原论文 Figure 3：“The difference between speaker based projection [15] and (Ours) Role-Relative Projection for 3-speaker conversa- tions.”。

顶部 3 条色带是 3 位说话人的帧级有声标签，中部是说话人相关投影，直接为 3 人各开未来格，右侧码随人数变宽。底部是角色相对投影，以当前时刻为界，左侧历史 1.4 秒加 0.6 秒，右侧未来 0.6 秒加 1.4 秒，不再按固定编号排布，而是按当前与下一两角色排布，右侧码宽度固定。解释是前者保留身份编号但不可扩展，后者丢掉绝对编号只保留相对角色，用排序在每时刻动态绑定身份，从而固定架构可泛化到任意人数。

主模块把融合视为分层协调，全局作社会指挥官判断转折是否临近，个体在全局上下文引导下解决落到谁。音频嵌入作查询，多个个体嵌入作键值，先做帧内跨说话人变换器让模型在同一时间帧看到所有人，再做时序变换器捕捉动态，得到全局嵌入。个体嵌入经层归一化与线性映射到共享空间后，与全局经门控相加调制，再进入各自未来仓头。

各组件算什么，监督信号从哪里来

语音活动主干用对比预测编码把原始波形变为稠密表示，再经因果下采样卷积从高帧率降到与视频对齐的帧率，再经带位置编码与因果掩码的变换器。原始双人目标是未来 2 秒按递增时长切四仓，每人四仓共 8 位多类。本文主干在电话语料上先按角色相对目标训练，得到全局声学嵌入。变换器层数与头数与隐藏维度按原文配置，音频切分为长窗重叠输入。

语音活动投影 × 主动说话人检测： 语音活动投影负责从单通道波形预测未来一段时间每个角色是否有声，解决何时换的问题；主动说话人检测负责把同一段声音与画面中多张脸对齐，解决是谁在说的问题。二者搭配的理由是单声道没有空间分离线索，必须靠视觉轨迹做身份锚，组合后全局节奏由音频驱动，身份归属由视觉轨迹约束，从而同时输出全局换保持与分说话人未来活动。

因果主动说话人主干改造自已有视听检测架构，把非因果时序卷积换为因果，增大扩张率以看到更多视觉历史，复用同一音频编码器。目标不是只判当前帧，而是预测与投影类似的六仓，含多个历史仓与短未来仓，每人独立二分类而非联合。损失是多仓二元交叉熵加两侧分支当前帧语音活动辅助损失，再加视听特征的对比损失，把发声者视觉表示拉近音频嵌入，总损失中两侧辅助与对比各有权重。

全局语音活动投影 × 说话人语音活动投影： 全局语音活动投影监测对话整体脉搏，判断转折是否临近，起社会指挥作用；说话人语音活动投影对每条视觉轨迹独立预测未来各时间仓是否有声，解决落到哪张脸。二者通过门控相加耦合，全局表示调制个体特征，使个体选择与整体换保持状态一致，组合意义是先定节奏再定人选，并可用全局换判断过滤候选人。

主模块损失是全局交叉熵加多人分说话人损失平均。分说话人头预测未来多个递增时长仓的独立概率，与原始投影分辨率 1 致。预处理把人脸按跟踪坐标裁剪，缺帧用固定灰度填充，视频统一帧率，音频统一采样单声道。训练时冻结语音与视觉主干，只更新融合与双头，避免破坏已学到的声学与视觉锚。

角色相对投影 × 说话人相关投影： 说话人相关投影按固定编号建模所有说话人的联合未来，标签数随人数指数增长且需多通道对齐；角色相对投影按历史活动排出当前持有者，再按未来活动从剩余者排出下一持有者，把任意人数映射为当前对下一的固定两角色对。搭配理由是任意时刻主要协调只涉及 2 人，组合意义是用排序加角色抽象实现社会可扩展性，无需为不同人数重训码本。

下图展示三带如何拼接，左侧是编码与注意模块，右侧是预处理与因果注意示意，建议按主数据流向阅读。

看图路径： 1. 先沿左侧三条横带确认语音主干与视听主干与融合主模块的数据流向；2. 再看中部交叉注意与拼接与自注意汇合形成个体嵌入的关键节点；3. 最后看底部全局查询与多键值经帧级注意再门控调制个体分支的路径

论文图 4。原论文 Figure 4：“Modular architecture of the MuVAP model.”。

顶带是语音活动，波形经编码得到音频特征，再经自注意得到全局嵌入并进入投影头。中带是主动说话人，音频与视觉编码器特征经双向交叉注意、拼接、自注意得到个体嵌入并进入多仓头，另有两侧当前帧辅助与对比损失。底带是主模块，全局嵌入作查询、多个体嵌入作键值，经帧级交叉注意与全局自注意得到全局动态嵌入，再经拼接与门控加调制个体分支，分别进入全局头与分说话人头。右栏是人脸跟踪、视觉片段、单通道波形与因果注意示意，图中标记区分冻结与训练部分，主阶段冻结前两主干只训练融合部分。

数据如何构造与分阶段训练，冻结了什么

构造分 3 类。电话语料规模最大，用于学习声学转折，主动说话人复合数据规模中等，用于预训练视觉锚，自采音频视觉对话语料约 30 小时，含双人与 3 人设置，划分为训练与验证，用于优化多模态连续时序。论文表格还列出各源语言、是否未剪辑与对应模块，以及按人数与划分的分布。筛选强调连续未编辑、静态第三方视角与自发社交互动，以保留互静与转折前行为。

自采语料采集自网络无脚本多人对话。人脸用通用检测跟踪框架加高置信阈，丢掉小于帧内最大脸一定比例的误检，每视频随机多帧建立全局锚嵌入，再用面部识别嵌入加包围盒中心距离组成联合代价矩阵，用匈牙利算法指派，人工核查中心距离突变以纠正身份交换，再经预训练模型加语音活动检测得到初标，最后人工精修。优化器按余弦退火前 10% 热身，峰值与终值与轮数与权重衰减按原文设置，硬件为单卡。

下表提出可复现性问题，在相同数据与冻结条件下，哪些预处理与规模参数必须先对齐，指标方向是越一致越可比。

表后解释需要超过二十五字并说明收益代价。该表收益是复现时可先对齐帧率采样率与参数量级，避免因重采样或批量不同引入偏移。代价是未包含电话窗长与变换器维度等全部细节，且未报告随机种子外的方差来源。反例是即使对齐这几项，若人脸检测阈值或填充取值不同，视觉轨迹仍会漂移。原文未给出梯度在冻结主干是否截断之外的细节，不从模块名推定实现，未胜出项是视觉锚训练批量较小而显存压力大。

测什么任务，在什么时刻取点，如何判分

下游分两类任务。换保持是二分类，问转折将换还是原人保持，不需点名，用全局嵌入上训练逻辑回归探针即可，探针拟合用训练分区事件，评估只用验证分区。下一说话人是多选一，含选回原人即保持，必须用分说话人未来仓概率，还需把预测锚到可见人脸集合。双人下的下一说话人并不等同换保持，因后者不需锚定身份。全局条件过滤可用全局换判断约束候选集，但依赖上一持有者推断正确。

静默预测 × 活跃预测： 静默预测在一方停说且无人说话的共静点之后取点，考查听到结尾后能否判换保持；活跃预测把预测点前移到当前说话人仍在说的一段内，考查能否提前解码结尾韵律与面部动态。两者共用同一批静默事件派生，前者测反应式判断，后者测前瞻式预测，组合意义是区分模型是只会读静默长度还是真能读转折前兆。

取点分静默与活跃。静默点在一方结束且无人说话的共静中取，偏置为结束后一定偏移，只纳入间隙不超过上限且此前有至少 1 秒单人独白。活跃点由静默事件前移派生，落入当前持有者仍在说的一段内，距本段结束固定偏移，且前推独白要求以保证有干净单人历史。活跃换事件取自导致易主的那段话内，活跃保持事件取自转折前段内暂停后仍由原人继续的段内。分布按双人与 3 人、换与保持分别统计。

换保持预测 × 下一说话人预测： 换保持预测是二分类，只问下一段是换人还是原人保持，不需点名身份，可仅用全局角色相对表示加线性探针完成；下一说话人预测是多选一，必须在可见人脸集合中点名，含保持也算选回原人，需用分说话人未来仓概率加总比较。搭配理由是先验证节奏建模是否成立，再验证身份锚定是否成立，组合意义是把何时与是谁分层评估，避免把全局节奏好误读为身份分辨好。

判分用宏平均调和均值测换保持以应对不平衡，用准确率测下一说话人，多随机种子取均值与置信区间。基线有多数类与随机，以及无融合多层感知机，把两嵌入各自层归一化映射后再经激活丢弃后进入预测头。下一说话人另有全局条件过滤，若全局判换则剔除推断出的上一持有者，若判保持则直接指回上一持有者。上一持有者用滚动窗累计短未来仓概率作时移代理选最高者，下 1 位得分用各自头最后两未来仓概率和比较。完美上一持有者标签版本只作上界，不代表可部署收益。

下图是取点几何，先看静默与活跃两行在时间轴上的相对位置，再看偏移与最大间隙与单人时长的标注。

看图路径： 1. 先看上行静默条件中说话人结束点向右偏移虚线与最大间隙箭头；2. 再看下行活跃条件中预测虚线仍落在说话段内部且距结束固定偏移；3. 最后对比两行右侧黄色单人时长块，确认有效历史语音长度要求

论文图 5。原论文 Figure 5：“Visualization of the Active and Silent prediction sam- pling methods.”。

上行静默条件中预测点落在说话人结束点之后，向右偏移一定距离，左右两块分别对应结束段与下一段，中间最大间隙有上限。下行活跃条件中预测虚线仍落在说话段内部，距本段结束保持固定偏移，黄色块标出所需的单人独白时长。解释是静默考查听到结尾后的判断，活跃考查提前解码结尾轮廓的能力，两者共用同一批事件派生，保证比较条件一致。像素不能精确辨别的绝对毫秒数不硬写，具体阈值以正文与下表为准。

下表提出采样公平性问题，在相同间隙上限与历史要求下，静默与活跃取点如何避免标签泄漏。

表后解释同样需要完整说明收益与局限。该表收益是复现取点时可完全按阈值重放，避免把静默长度差异误读为模型差异。代价是上限截掉了更长思考停顿，单人历史要求滤掉了快速抢话。反例是野外更长的间隙与暂停分布更宽，严格阈值会低估开放地板状态下的难度。论文报告电话与野外在间隙暂停重叠的中位与四分位差异，显示野外更不可预测，但精确数值需回原文表格核对。

主结果显示什么，哪些条件支持判断

论文报告显示，先在双人电话上对比说话人相关立体声与角色相对单声道，立体声因显式声道归属更易解重叠而略高，单声道仅低约两个百分点，支持角色相对投影在双人下可行，但该比较声道数与目标同时变化，不能单归因于投影方式。

在自采野外数据上，模型在静默与活跃换保持中均高于单模态语音活动嵌入与无融合基线，显示视觉信息与门控融合有增益。双人与 3 人结果相近，支持换保持主要涉及 2 人的假设。绝对性能低于电话双人，报告解释为野外间隙暂停更长更开放且多视觉后通道，电话因缺视觉反馈而节奏更严格交替。活跃任务整体低于静默，符合需提前解码结尾轮廓更难的预期，但仍显示可提前预测。

下一说话人上模型同样高于无融合基线，3 人明显难于双人，因不指定下 1 位时需自选择，几乎不可预测。叠加全局条件过滤后进一步提升，完美上一持有者标签给出上界，说明上一持有者推断误差是瓶颈之一，表中上一持有者准确率双人约 80%、3 人约七成半，活跃略低于静默。

必须说明的缺项是原文主结果数值仅载于原表矩阵，本次可机读证据未给出可用原表序号与逐字连续句覆盖，依事实门禁不把裸值抄入手写表或追加单位，不计算差值百分比，不把自动趋势当人评。此节判断只用正文直接陈述的方向性结论，精确数值需回原文表核对数据集、基线、阶段、指标与聚合对象。未胜出项是无融合基线在部分设置接近单模态，显示只拼嵌入不做帧级跨人注意与门控时增益有限。

去掉融合与换掉声道会怎样，失败条件是什么

可验证的对照有 3 组。一是单模态全局嵌入对多模态门控融合，换保持与下一说话人上融合更好，支持视觉锚在重叠与活跃段帮助解混并把未来活动归到正确人脸。二是无融合多层感知机对门控变换器融合，后者更好，支持帧内跨说话人注意与全局调制个体不是可有可无的拼接。三是立体声说话人相关对单声道角色相对，前者略高，但声道与目标双变，只能说单声道可行而非等价。

失败条件在讨论中明确，角色相对按活动排序定当前者，依赖历史仓导致新持有者确认延迟最长约 2 秒。保持态远多于换态的类别不平衡使模型偏向判保持。视觉主干只是标准分离轨迹，缺少精细表情与注视头姿等显式分配线索，早期换检测受限。评估只覆盖英语双人与 3 人，更大人群与多语言未测，架构虽支持可变人数但可扩展性待验证。

教学提醒是不要把去掉融合必然崩溃当作已证结论，原文只报告了特定无融合实现的差距。也不要把全局条件过滤的提升当作免费午餐，它依赖上一持有者推断正确，错误会连带污染下 1 位选择，上界与实际差即为该耦合代价。总体趋势不等于每组每步成立，双人结论不能推广到 3 人自选择时刻。

哪些边界未测，读数时如何避免误读

未测边界有 4 类。一是人数与语言，只评双人与 3 人英语，更大群体与多样语言需补验证。二是视觉粒度，只做轨迹级分离，未建模注视转移、头姿动力学与张嘴模式等强分配信号，论文引用先前工作说明叠加这些可期增益，但本次未测。三是长时开放地板，采样上限与单人历史过滤了极长停顿与快抢，野外分布更宽意味着真实难度被低估。四是实时闭环，只做离线评估，未上机器人测闭环延迟与误打断率。

误读防范方面，相关性不是因果，视觉增益支持分离锚有用，但未证明是注视或表情因果。缺失证据不是技术错误，未报告延迟帧率与成本时不承诺这些改善。原表头图注或算术若冲突应标注冲突，本次因无可用原表而无法交叉算术，统一要求回原文核对划分聚合口径。百分点与相对百分比不同，不同指标差值不混放模型列下。

另一误解是把主动说话人检测精度等同于轮替预测能力，前者识别当前帧，后者需要建模意图维持与争夺，是否处于句中、是否为短暂后通道、是否让出地板，都需要在静默中结合上下文判断。严格因果也带来代价，不能看未来帧，检测绝对精度可能低于非因果基准，但这是为实时交互必须保留的信息条件。

复现先做什么，代码与权重各代表什么

先按环境表对齐帧率采样率与补帧取值与检测阈值加面积过滤，再按多帧锚加匈牙利指派重建轨迹并人工抽查中心突变。然后分阶段运行，电话上训练声学主干，复合野外数据训练因果视觉锚，主阶段冻结前两者只训练低维融合与双头，优化器按余弦退火前 10% 热身、峰值到终值、设定轮数、权重衰减执行。下游探针严格按训练分区拟合、验证分区评估，双人与 3 人场景均衡。

资源状态是正文开源声明的唯一依据，本次收到代码资源标识为可用、状态码正常，链接为对应仓库，可写当前可用已公开。权重下载与系统可运行需另行确认，不从代码可用推定权重可下或开箱可跑。硬件预算为单卡，主模块参数量较小便于复现，但视觉锚参数量大且训练批量小，显存压力大，需按原文批量与长窗重叠执行。

还需补的验证是跨人数泛化、非英语、长间隙保留采样，以及把全局条件过滤的上一持有者模块单独评测，避免把上界当部署收益。若要上机器人，需另测输出帧率与端到端延迟，本文未给出这些量。复现时应记录随机种子区间与置信区间计算方式，避免把单次运行当作稳定结论。

何时值得尝试，一句话收束

当只有单麦克风加单固定镜头却要做多人轮替，且能接受约秒级历史确认延迟与偏向保持的保守策略时，值得尝试角色相对投影加视觉轨迹锚定的分层路线，先用全局节奏判换保持，再用分人未来仓点名。先复现采样阈值与冻结分阶段，再补大人群多语言与实时闭环。若场景是电话双人或已有阵列多机位，同输入同目标同监督下传统联合建模可能更直接，不必为可扩展性支付抽象代价。

初学者可按学习依赖复述，先讲输入目标与两类输出，再讲为何旧数据因剪辑不可用，再讲角色排序如何固定码本，再讲三带架构与冻结训练，再讲静默与活跃取点与分层判分，最后讲方向性结果与延迟偏置代价。例子始终标为例子，数值只用原文可核对的写法，缺项明确指向原文表格与代码仓库。

⚖️ 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