从零到 147 小时：普什图语开放语音库如何先补句子再借广播破圈

英文题目：Pashto Common Voice: Building the First Open Speech Corpus for a 60-Million-Speaker Low-Resource Language

会议身份：conference:interspeech:2026:conference-paper-id:rahman26_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 #数据集构建 #低资源 #语音识别

评分：6.4/10 | 创新 1.2/2 | 技术严谨 1.0/1.5 | 实验充分 0.9/1.5 | 清晰度 0.8/1 | 影响力 1.0/1.5 | 开源 0.0/1.5 | 可复现 0.3/0.5 | 工程/实践 1.2/1.5

排名：前50% | 文档类型：数据集与基准

👥 作者与机构

• Hanif Rahman：机构信息未能从会议 PDF 纯文本可靠映射
• Shafeeq ur Rehman：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

普什图语自动语音识别（Automatic Speech Recognition，ASR）长期缺乏开放可用的朗读语音数据，输入为众包朗读录音，输出为文字转写，难点在于8个在阿拉伯语和波斯语键盘缺失的辅音在非正式文本中被替换或脱落，且方言与性别覆盖失衡。本文构建基于Mozilla通用语音（Mozilla Common Voice，MCV）的开放语料流水线：界面本地化先解决可参与性，维基百科抽取加长度与字符过滤形成可朗读句池，面向4个最易脱落的摩擦音与塞擦音定向补句以纠正分布偏差，社区审核与广播动员分别负责文本与音频质控和规模扩张。相对直接复用阿拉伯语或波斯语模型，该链条以正字法感知的数据策展替代跨语言迁移，将无用先验转为可训练信号。在MCV20测试集评测设置下，微调后Whisper Base的WER为13.4%，低于零样本Whisper Base的WER 99.0%。该结论仅适用于朗读式MCV读语音，不可外推至对话或自然场景，且方言与性别元数据缺失限制公平性评估。训练在消费级Apple MacBook Pro上完成，原文未披露时长与推理部署成本。

🔗 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，哪些信息必须先对齐？

这篇解读的输入是题目所指的普什图语开放语音工作，目标是让刚进入语音领域的研究生能复述它做了什么、怎么做的、在什么条件下测出什么。必须先对齐的信息是：任务是朗读式自动语音识别用的语料建设加基线验证，不是会话识别，不是语音合成；语言是普什图语，论文称母语者超 6000 万，主要分布在阿富汗、巴基斯坦及离散社群；平台是 Mozilla Common Voice，论文称按季度发布、采用 CC-0 许可；时间跨度是 2022 年到 2025 年 9 月的 MCV23 版本。

先用白话讲清低资源(low-resource language) 的含义：不是没有说话人，而是没有可自由下载、可训练、可复现的标注语音。普什图语的特殊困难还在于文字与键盘：论文称其用 45 个字母的波斯阿拉伯字母体系书写，其中 8 个辅音在阿拉伯语和波斯语中不存在，标准阿拉伯与波斯键盘打不出这 8 个字母。结果是非正式数字文本常用形近的阿拉伯字母替代，甚至直接丢掉，其中擦音与塞擦音最易丢。这会带来双重错位：众包朗读的提示文本本身可能就是错拼，录出来的是错音；从相关语言迁移来的预训练模型也没有见过这些音。

因此这项工作的主线不是调一个新模型，而是先把数据地基补上：本地化界面让人能进来，准备可读的句子让人有得读，用社区审核把关录音，再针对易丢音补句子，最后用媒体动员把说话人规模撑起来。论文报告的终点形态是 MCV23 共 107781 个片段，其中 60337 个已验证，对应 82.33 个已验证小时，总时长 147.07 小时，1483 个不同说话人，25109 个已验证句子，覆盖 13 个内容域。理解这组数字的依赖关系很重要：总时长包含未审核部分，已验证小时才是当前可直接训练的更可靠部分，未审核的 42265 个片段是未来的审核负债，也是潜在增量。

同输入同目标的前人工作卡在哪里？

按同输入、同目标、同监督来对照，前人不是没有做过普什图语语音，而是没有留下开放可复用的规模化数据。论文回顾称 Bisani 等人在 2004 年左右用小规模私有语料做语音翻译，此后二十年出现的多是小而私有的数据集， wider 研究社区拿不到。NLPashto 工具包覆盖形态分析但不覆盖语音。Transformer 端到端识别虽有报道，但训练集受数据约束仍然很小。这意味着后来者每次都要从找数据重新开始，无法比较模型改进。

在可运行基线一侧，论文引用了两组数字。第一组是 Whisper 原始论文在 Fleurs 基准上报告的 Whisper Base 普什图语零样本词错误率 99.0%，论文解读为几乎没有可用的普什图信号。第二组是 Shah 等人在自然发生的普什图语音 CHiPSAL 基准上报告的 47.3% 零样本、小样本微调到 41.2%。这两组数字的测试条件不同，不能直接相减得到本文方法的提升幅度，本文作者也明确提醒 Fleurs、CHiPSAL 自然语音与本文 MCV 朗读语音是 3 种测试条件。

本文与前人的分界在于规模与许可：论文称这是第一个达到可做完整微调而非只能做少样本适应的开放资源。Mozilla Common Voice 在此承担的是基础设施角色：提供朗读、验证、按季度版本化的流水线，以及对低资源语言友好的可再分发许可。理解这一点可以避免误解：本文的贡献不是提出新的声学建模方法，而是用可复现的社区流程把一种大说话人群、小开放数据语言的训练条件补齐。

要解决的具体问题是什么，难在哪里？

具体问题可以拆成三问。第一，普什图语没有大规模开放许可的朗读语音，导致无法训练或微调出可用的识别基线。第二，即使把通用众包平台搬过来，句子池与录音量也不会自动增长：2023 年 6 月到 2024 年 3 月的 CV14 到 CV17 只积累到 2.11 小时、最多 9 个说话人，说明技术平台就绪不等于社区到来。第三，即使有人录音，提示文本的正字法变异会污染音频：键盘缺失的 8 个字母若被替代或省略，朗读者会按错文本发音，模型学到的就是错映射。

举一个教学用的例子帮助理解，但不代表论文实测数值：假设提示句本应包含某个普什图特有塞擦音，但采集到的维基或社区句子把它写成形近阿拉伯字母，朗读者照读就会发成阿拉伯音，验证者若只听是否流利而不核对拼写，就会放行。积累多了，模型就会对该音建立错误的声学到字形映射。这就是为什么论文把句子审核与音素靶向补句放在与录音同等重要的位置。

问题的可验证形态是：能否在三年内把说话人与小时数做到 100 小时量级，能否让已验证子集覆盖易丢音，能否在 MCV 切分上把 Whisper Base 从零样本不可用带到可用的朗读识别水平。论文用 10 个版本的发布历史、内容域与人口学分布、以及 MCV20 上的微调词错误率来回答。

七个阶段如何串成一条可复现流水线？

论文把 2022 年到 2025 年的建设写成 7 个阶段，学习时应按依赖顺序走一遍。第一阶段是界面本地化：通过 Mozilla 的 Pontoon 平台翻译 1200 多条界面字符串，2023 年 2 月普什图语界面上线。没有这一步，母语者连可读的录音入口都没有。第二阶段是初始句子池：2023 年 2 月经句子收集器整理出 1053 句，强调发音多样性与常用词。第三阶段是维基句子抽取：从普什图语维基百科抽约 27000 句，按去除特殊字符数字与外语词、保留 15 词以内短句等规则自动过滤，再以每批约 100 句手工经网页界面导入，兼做质量检查，其中谚语因短、多样、有文化显著性被优先纳入。论文称约 27000 句中约 5000 句通过社区句子审核并进入语料库。

第四阶段是音素靶向补句，针对累计语料中覆盖稀疏的 4 个擦音与塞擦音征集多语境句子，另 4 个卷舌塞音与鼻音虽有但也偏少。第五阶段是句子持续扩张，论文特别提到 Qamosona.com 的 Ahmad Wali Achakzai 经网页界面独立贡献数千句，使 MCV23 已验证句子池达到 25109 条。第六阶段是社区运营与媒体 campaign，第七阶段是随季度版本渐进发布。沿一个样本走完全程就是：一条维基长句被截断或丢弃，短句进入人工批次，通过文本审核进入朗读队列，被母语者读成音频，再经双人复核进入已验证池，最终随版本发布并划分出训练、开发与测试切分。

语言技术中介人 × 广播动员： 语言技术中介人指在社区中有公信力、认识媒体并能把技术需求讲成社区受益的人，广播动员指经由 VOA 普什图语记者的视频与后续报道触达全球听众，二者分工是前者找渠道与 framing，后者提供大规模可信触达，搭配理由是仅有录音平台无人到来也无法放量，组合后新增的是 CV17 到 CV18 约 108 倍的说话人跃升。

论文的运营细节值得复述：Pashto DAO 的 Facebook 页面作为对外渠道，按季度发布里程碑与招募帖， framing 不是为人工智能贡献数据，而是为盲人、残障、非识字或不懂英语者做普什图语音技术，并配普什图语教程视频讲清加句与录音验证两件事。最大的单次增长来自社区共同组织者联系的 2 位 VOA 普什图语记者，先由 Qasim Khan Mandokhel 的视频触达全球听众，再由 Abdul Hai Kakar 的后续报道延续势头。论文称此期间平台无改动，增长与报道时间重合，但也承认没有做受控对比，因此是相关性证据而非因果证明。

句子、录音与审核三个组件各自算什么？

句子组件的输入是维基、公有域文本与社区投稿，计算是字符过滤加长度截断加人工分批质检，输出是可朗读的短句。关键参数是 15 词上限，保证朗读时不断气、不吞尾。取舍是吞吐换保真：每批约 100 句手工导入很慢，但能拦下外语词、数字与错拼。谚语被优先选择，因为短且词汇多样。

录音组件的输入是已审核句子，计算是志愿者经浏览器录音，输出是原始片段。论文报告 MCV23 平均片段时长 4.91 秒，压缩包 2.73 GB。这个时长符合朗读短句的预期，也决定了模型输入是短语音，不含对话轮转与重叠。

众包朗读 × 双人复核： 众包朗读负责让分散的母语者按提示句录音，解决无现成录音可用的问题，双人复核负责用 2 次独立赞成确认可用、2 次反对剔除来过滤误读与噪声，二者搭配的理由是前端放量必然带来质量波动，组合后新增的作用是把数量增长转化为可训练的已验证子集。

审核组件的输入是原始录音与待审文本，规则是两票赞成通过、两票反对否决。MCV23 报告为已验证 60337 段占 56.0%，已否决 5179 段占 4.8%，未审核 42265 段占 39.2%。论文称 56% 的验证率与其他低资源语言早期 MCV 数据集相比不差，未审核占比高是审核人力跟不上录音速度的容量瓶颈，不是质量崩溃。句子侧同样有社区文本审核，先拦错拼再录音。

易丢字符 × 音素靶向补句： 易丢字符指标准阿拉伯与波斯键盘缺失、因而在非正式拼写中常被替换或省略的 8 个普什图辅音字母，音素靶向补句指专门为其中最易丢的 4 个擦音与塞擦音征集多语境例句，二者搭配的理由是通用维基句覆盖不到这些音，组合后新增的是让训练信号重新包含最能区分普什图语与阿拉伯语、波斯语的发音。

把三者连起来看：句子决定词汇与音素覆盖上限，录音决定说话人与信道多样性，审核决定多少原始量能转为训练可用量。后续想复现的人应先复制这套分工，再谈模型。

基线模型训练了什么，没有训练什么？

本研究的模型训练只发生在下游基线部分，语料建设本身没有神经网络训练。论文报告的基线是在 MCV20 训练切分上微调 Whisper Base，参数量 72.6M，训练约 4900 步、约 3 个轮次，采用到第 1000 步线性热身到峰值学习率 5×10-5 再线性衰减的策略，硬件是消费级 Apple MacBook Pro。训练切分论文称是 4693 个片段，来源为 Hugging Face 上的 MCV20 普什图子集，模型仓库为 ihanif/ps_base_l1，论文称完整配置见该仓库。本文未报告优化器类型、批大小、梯度累积、是否冻结编码器或解码器、是否使用混合精度，这些缺项意味着他人只能按仓库配置复现，不能从论文正文唯一还原。

零样本词错误率 × 全量微调： 零样本词错误率指不经普什图数据训练直接让多语模型转写的错误比例，反映预训练是否自带该语言信号，全量微调指在 MCV20 训练切分上继续更新 Whisper Base 全部参数，二者搭配的理由是只有先确认起点几乎不可用，才能判断新增数据的贡献，组合意义是用同一模型架构对比出开放数据带来的可用性变化。

分词与输出覆盖是可复述的关键：论文称 Whisper 多语 BPE 分词覆盖阿拉伯 Unicode 区，4 个普什图特有字符可在输出词表中编码，并经评估中正确生成得到确认。这解释了为什么微调能学会这些字符，而不是分词直接拦死。评估指标是词错误率 WER 与正字法 WER，数值越低越好。论文给出训练轨迹：第 100 步 93.5%，500 步 57.0%，1000 步 46.7%，2000 步 30.9%，3000 步 22.5%，4000 步 16.5%，4900 步 13.4%，对应正字法 WER 终点 14.6%。第 100 步是首个记录点，不是零样本。需要强调：该文未训练 wav2vec 2.0 等自监督预训练模型，只在讨论中将其列为未来直接对比，读者不应把 13.4% 理解为所有架构的上限。

数据划分、内容域与评估条件如何对齐？

复现前必须对齐数据的 3 层口径。第一层是 MCV23 总量：107781 片段、60337 已验证、82.33 已验证小时、147.07 总小时、1483 说话人。已验证池远大于切分，开发、测试各 3660 段、训练 4693 段只是说话人不重叠的子集，剩余已验证片段可作额外训练。论文特别说明训练段数少于开发与测试是 MCV 说话人均衡算法的产物，不是标注错误。第二层是质量切分：已验证、已否决、未审核三态，未审核占比 39.2% 对应估计 57 个待验证小时，动员审核者是性价比最高的扩量路径。第 3 层是基线版本：微调与评估都固定在 MCV20 切分上，而非最新的 MCV23，MCV23 比 MCV20 大 27%，因此 13.4% 是中间快照的参考点，不是最终语料的上限。

内容域分布决定了模型的词汇偏置。以下导读针对 MCV23 已验证片段按域的条形图，横轴是片段数，需注意不是小时数，纵列是 13 个域。

看图路径： 1. 从上到下读 13 个内容域的横条长度与右侧 validated clips 数值；2. 比较最长的 Technology 约 8609 与第二名 News 约 5264 的差距；3. 观察底部 Religion、Finance、Audiobook、Biography 的极短条；4. 确认横轴单位是已验证片段数而非小时数

论文图 2。原论文 Figure 2：“MCV23 Pashto: validated clips by content domain.”。

该图显示 Technology 以 8609 段居首，News 以 5264 段次之，General 与 Community 分别约 3710 与 3688 段，Food & Drink、Science、Sports、Arts、Health 在 2124 到 2295 之间，而 Religion 仅 504 段、Finance 仅 214 段、Audiobook 仅 76 段、Biography 仅 58 段。解释是前两类继承了平台默认句子池，后 4 类是未来句子采集的明确目标。若下游是宗教或金融语音，当前模型的词汇覆盖可能不足，不能把平均词错误率直接外推到这些域。人口学分布同样是评估条件的一部分，将在局限一节结合年龄饼图展开。论文称性别字段自愿填写，离散贡献者可能因隐私或文化原因留空，这是元数据缺失的结构性原因。

规模增长与识别效果的主结果是什么？

主结果分两条线：语料规模线与识别效果线，比较条件必须分开。规模线的提问是：十年十版中哪 1 次是阶跃，哪一段是平稳。公平条件是同一平台、同一审核规则下按季度版本比较总小时与不同说话人数，指标方向是越高代表动员越成功。以下导读针对总小时柱与说话人数折线的双轴图，时间从 2023 年 6 月的 CV14 到 2025 年 9 月的 CV23，中间标注了 VOA campaign。

看图路径： 1. 先看横轴 CV14 到 CV23 的时间顺序与左侧总小时蓝色柱的变化；2. 再看右侧红色折线代表的不同说话人数在 CV17 到 CV18 的陡升；3. 找到标注 VOA Pashto campaign 的箭头所指的柱子位置；4. 对比 CV18 之后柱子缓慢增高而折线趋平的饱和形态

论文图 1。原论文 Figure 1：“Pashto Common Voice corpus growth across MCV releases 14–23, showing total hours (bars) and unique speak- ers (line).”。

解释是 CV14 到 CV17 长期停留在 2 小时以内、至多 9 人，CV17 到 CV18 单周期跳到 75.94 小时、971 人，约 108 倍说话人增长，此后 CV19 到 CV23 缓慢增加 71 小时、约 500 人，到 CV22 与 CV23 稳定在 1463 到 1483 人。代价是首批招募 cohort 饱和，后续需新的动员才能再涨；反例是 CV18 之后再无阶跃，说明单次广播红利不可持续。论文称此为可迁移的主要发现：在已有社区可承接时，广播经由可信中介能带来量级式增长，但因无受控对比，只能记为支持性观察。

为让版本历史可核对，将十版中的关键节点整理成五列比较表，最后一列的增长事件来自正文叙述，公平条件是同为 MCV 官方版本的总量口径。表前已提出比较问题是阶跃发生在何时、平稳期斜率如何，指标方向是小时与人数越高越好。

表后解释是主要收益在 CV17 到 CV18 兑现，1 次媒体介入超过之前一年技术准备的总和；具体代价是审核跟不上，CV23 仍有 42265 段未审核，且说话人数在最后两版几乎停滞。未胜出项是 CV14 到 CV17 的技术流水线本身：它保证了正确性但没有带来参与者，说明只优化抽取与过滤不能解决冷启动。

语料形态的第二张核对表把总量、可用量与切分放在一起，提问是当前能训练多少、切分是否反常，单位按原文保留小时与段数不混用。

表后解释是训练切分小于开发与测试不代表数据泄漏，而是说话人均衡算法的产物；已验证池远大于训练切分意味着 13.4% 还有数据增量可吃，但需先补审核人力。边界是平均时长 4.91 秒与朗读属性，决定了该表只支持短句朗读识别的结论，不支持对话识别。

基线轨迹与跨基准比较支持什么，不支持什么？

本节按问题组织：微调是否单调改进，跨基准数字能否相减。比较保留原文实际可运行的策略：Whisper Base 零样本与 MCV20 全量微调，另将 Shah 等的少样本列为不同测试条件的参照，不把事后最优当可部署收益。指标方向是 WER 越低越好，需区分普通 WER 与正字法 WER。

表前比较问题是训练步数增加是否持续降低错误，公平条件是同一 MCV20 切分、同一 Whisper Base，指标方向是越低越好。表后解释是主要收益在前 2000 步兑现，从 93.5% 降到 30.9%，后 2900 步再降约 17.5 个百分点到 13.4%，呈边际递减；代价是论文未报告多次随机种子的方差与统计检验，不能判断末段 1 到 2 个点的波动是否稳健。未胜出项是早期检查点：100 步仍高达 93.5%，说明若只做极少步适应几乎无用，必须做完整轮次。

跨基准对照必须保留测试条件差异：Fleurs 上 99.0% 零样本、CHiPSAL 自然语音上 47.3% 零样本到 41.2% 10 样本、本文 MCV 朗读上 13.4% 全量微调。三者模型同为 Whisper Base 量级但数据量与难度不同，99.0% 到 13.4% 反映的是从完全无普什图信号到有 MCV 朗读训练的贡献，41.2% 与 13.4% 的差距同时包含训练数据量与朗读比自然语音更易的成分。论文明确提醒不可直接比较，复述时必须保留该限定，否则会夸大方法收益。训练成本按原文是消费级笔记本可完成，但论文未给出 wall-clock 时间、内存峰值与推理延迟，部署成本待验证。

哪些边界使结论不能直接外推？

先看说话人结构。以下导读针对 CV23 说话人年龄饼图，图例含二十多岁、三十多岁、四十多岁、青少年与未知未报告 5 类，数值以百分比标注。

看图路径： 1. 先对照图例确认蓝色为二十多岁、灰色为未知未报告等五类；2. 读出饼图上 37%、26%、15%、15%、7% 五个数值的归属；3. 注意最大的两块是二十多岁与未知未报告；4. 结合正文性别 98% 未报告理解人口学元数据的双重缺口

论文图 3。原论文 Figure 3：“MCV23 speaker age distribution. Gender is unre- ported for 98% of speakers (a critical metadata gap).”。

解释是二十多岁占 37% 为最大已报告群体，三十多岁与四十多岁各占 15%，青少年占 7%，未知未报告占 26%。结合正文，年龄尚可分析，更严重的是性别 98% 未报告，导致无法做性别平衡评估与偏差审计，这限制了模型在应用侧的公平性声明。论文称这与性别字段自愿及离散社群隐私考量有关，属于缺失证据而非技术错误。

其他四项局限需逐条记住。第一，147 小时相对英语在 MCV 上超 2700 小时仍 modest，且全部是提示朗读，不直接适用于会话识别。第二，方言覆盖不受控，贡献者以离散社群为主，论文推测可能偏向北部 Yusufzai 变体，南部 Kandahari 的发音与正字法差异未被量化。第三，内容域长尾缺失，宗教、金融、有声书与传记合计不足 1000 段，域外词错误率可能高于平均。第四，基线只做到 MCV20 快照，MCV23 大 27% 后的数字未测，且未做自监督预训练对比。每一项都是未来采集的显式目标，而不是已解决的问题。

要复现与复用，先做什么，需要什么条件？

复现分两条：复现语料流水线与复现识别基线。复现语料应按论文顺序先做社区存在再做技术：建目标语言社交媒体页，用无障碍受益 framing 写招募帖，录两段母语教程分别讲加句与录音验证，再找有媒体公信力的中介联系广播。技术侧复现维基抽取时保留论文规则：去特殊字符数字与外语词、15 词以内、每批约 100 句手工导入，并单独开一轨征集易丢的 4 个擦音塞擦音例句。论文称该流程除 MCV 平台外不依赖私有工具，重新实现门槛低，但关键是先有人可承接流量。

复现基线时固定版本：用 MCV20 普什图训练切分 4693 段，评估固定在 MCV20 测试切分，报告普通 WER 与正字法 WER 双指标，训练约 4900 步、峰值学习率 5×10-5、第 1000 步热身结束。论文正文给出模型与数据集的 Hugging Face 路径文字，但本次解读所依据的证据未包含可验证的 HTTPS 可达状态，因此不声称当前可下载或可运行，复用前需自行确认许可与可达性。硬件按论文为消费级 MacBook Pro，但未报告具体耗时与内存，复现时应先在小子集上试跑并记录 wall-clock 与峰值显存。

还需补的验证至少三项：补性别与方言元数据后重测分组错误率；在自然语音上测 1 次以估计朗读到真实场景的落差；把 MCV23 增量加入训练看 13.4% 能否继续下降。只有补完这些，才能判断该语料对目标应用是否够用。

何时值得借鉴这条路线，记住什么？

当目标语言有数千万说话人却无开放语音、当键盘与正字法导致文本本身不可靠、当团队有社区连接而无大算力时，这条路线值得尝试：先用众包朗读加双人复核攒出 100 小时量级，再用音素靶向补句修复关键发音，最后用 1 次可信广播解决冷启动。论文的最强证据是 CV17 到 CV18 约 108 倍说话人增长与 MCV20 上 13.4% 的朗读基线，主要代价是 39.2% 未审核积压、性别几乎缺失与朗读域偏置。

常见误解有三，需用论文特有细节纠正。其一，训练段数少于开发测试不是标错，而是说话人均衡算法的产物。其二，99.0% 到 13.4% 不是同一测试集上的提升，而是 Fleurs 零样本到 MCV 朗读微调的跨条件对比，中间还隔着自然语音的 41.2%。其三，广播有效不等于可复制，若没有先建好的母语社区页、教程视频与文本审核队列，流量来了也承接不住。记住这些，才能把 1 篇语料论文读成可执行的采集计划，而不是一个孤立的错误率数字。

⚖️ 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