继续预训练把内容推上去、把说话人推下来：离散单元与对比模型的分化

英文题目：Content–Speaker Trade-offs in Continued Self-Supervised Pre-Training Across SSL Paradigms for Multilingual Speech

会议身份：conference:interspeech:2026:conference-paper-id:schlotterbeck26_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：#自监督学习 #多语言 #语音识别 #说话人分离标注 #语言识别

评分：5.8/10 | 创新 1.1/2 | 技术严谨 1.0/1.5 | 实验充分 0.8/1.5 | 清晰度 0.8/1 | 影响力 0.8/1.5 | 开源 0.0/1.5 | 可复现 0.3/0.5 | 工程/实践 1.0/1.5

排名：前50% | 文档类型：方法研究

👥 作者与机构

• Danner Schlotterbeck：机构信息未能从会议 PDF 纯文本可靠映射
• Alessandro Huaman：机构信息未能从会议 PDF 纯文本可靠映射
• Juan Gomez：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

该研究处理多语言自发语音上的持续预训练（Continued Pre-Training，CPT）领域适配问题，输入为无标注目标域音频，输出为可迁移的语音表示，需同时服务语音识别（Automatic Speech Recognition，ASR）、语言识别（Language Identification，LID）与说话人分离标注（Speaker Diarization）三类任务。方法链为数据筛选、伪标签重算、分范式恢复预训练三步：先按语音活动检测（Voice Activity Detection，VAD）密度与语言稀缺度从 MLCommons Unsupervised People Speech百万小时语料中构造100小时与500小时子集，再对离散单元模型重算目标域k均值伪标签并接入新的投影头，最后在共享掩码预测或对比目标下恢复预训练5个轮次。与既有集中于对比模型、可直接恢复训练的CPT不同，该工作把重算嵌入聚类标签引入HuBERT与WavLM，使离散单元模型也能在目标分布上继续学习。在UPS挑战集上HuBERT-base三种子均值语言识别Macro-F1由0.56升至0.67，字符错误率（Character Error Rate，CER）由0.72降至0.65，而说话人分离标注调整兰德指数（Adjusted Rand Index，ARI）由0.76降至0.32，WavLM-large与WavLM-base+亦出现类似说话人崩塌，对比模型OmniASR则ARI由0.37微升至0.42。结论边界在于内容增益随种子与数据规模波动大，仅说话人退化在多个离散单元模型中稳定复现，且原始能力保持与大规模验证尚未完成。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

输入是什么，目标是什么，本文要回答什么？

本文的输入是 3 类已经预训练好的语音自监督模型，以及多语自然场景无标注音频。目标是回答在算力受限时，能否把自监督目标在新域上继续训练，并搞清内容能力与说话人能力的走向。必须保留的信息是模型家族不同、数据子集相同、评测覆盖内容语言说话人 3 类任务，输出是可复述的持续预训练流程与权衡结论。

对于刚进入语音方向的研究生，先建立白话理解。自监督预训练指不依赖人工转写，用音频自身构造学习信号。持续预训练指拿来一个已训练好的模型，不换任务头，不引入人工标签，只是把原来的自监督损失在新分布音频上再跑若干轮。内容任务指识别说了什么，用字符错误率衡量，越低越好。说话人日志分离指判断谁在何时说话，用调整兰德指数衡量，越高越好。语言标识指判断语种，用宏平均 F1 衡量，越高越好。

本文研究的问题不是单点刷分，而是跨范式的对照。已有持续预训练工作多集中在对比架构上，因为它的量化器随训练即时更新，恢复损失即可。离散单元架构依赖离线聚类得到的伪标签，这些标签是在源域上算的，换域后是否还对齐并不清楚。论文提出的做法是在目标音频上重算 k-means 伪标签，接一个新的投影头，再恢复掩码位置的交叉熵训练。对比模型则保留原生对比损失与多样性正则继续训练。

学习时先记住一条主线。一个 10 秒音频块进入特征编码器，变成帧级表示，一部分帧被掩码，模型要根据上下文预测被掩码帧对应的离散类别或量化目标。持续预训练改变的不是这条主线的形状，而是目标的来源分布与数据的领域分布。后续所有关于遗忘、伪标签粒度、层选择与随机种子的讨论，都是围绕这条主线展开的。

术语速查：先用白话记住再看英文

持续预训练指在新域音频上继续跑原来的自监督损失，英文是 continued pre-training。掩码预测指遮住一部分帧再预测对应目标，英文是 masked prediction。离散单元模型指先聚类再分类的模型，英文是 discrete-unit model，对比模型指从负样本中辨认真目标的模型，英文是 contrastive model。伪标签指聚类给出的临时类别，英文是 pseudo-label。语音活动检测密度指语音时长占比，英文是 voice activity detection density。

语言稀缺度指低资源语言加权，英文可理解为 language scarcity score。字符错误率越低越好，词错误率越低越好，宏平均 F1 与调整兰德指数越高越好。后文统一用这些简称，指代均回指前文已定义的组件，不再重复解释。

已有路线走到哪里，本文补哪一块？

已有路线可以按同输入同目标来对照。第一条是自监督语音模型本身。对比模型的代表是 wav2vec 2.0，它量化隐表示并在掩码位置从干扰项中辨认真目标。离散单元模型的代表是 HuBERT，它把 MFCC 或中间层嵌入聚类成伪标签，再预测掩码帧的类别。WavLM 在 HuBERT 基础上加入含噪混合仍预测干净标签的去噪目标，以增强噪声与多说话人条件下的鲁棒性。

第二条是持续预训练做域适应。自然语言处理中已有工作显示域内继续预训练有助于专门领域。语音中已有工作发现预训练加入目标域数据能改善失配条件下的识别。近期针对对比模型的工作用知识蒸馏锚定原始分布，或用适配器冻结原始权重来迁移，说明对比模型的持续预训练可行且遗忘可控。离散单元模型的持续预训练较少被系统研究，因为伪标签需要重估，噪声解耦等工作更多关注鲁棒性而非内容与说话人的权衡。

本文补的是受控的跨范式比较。在同一份整理后的多语子集上，对 HuBERT 与 WavLM 这类离散单元模型重算伪标签并恢复掩码预测，对 OmniASR 这类对比模型恢复原生对比训练，再用同一套语言标识、说话人日志分离与识别任务衡量。教学上不要把类别差异当成同条件胜负，本文的价值在于固定数据与评测后，观察哪种退化只出现在某一家族，从而把伪标签机制与损失机制分开。

同输入同目标的对照：为什么只比这两类？

同输入对照是同样面对无标注目标域音频，不同方法如何适应。对比模型恢复原生对比损失即可，因为目标是在线的。同监督对照是同样做掩码预测，监督来自 MFCC 还是嵌入，直接决定学到内容还是保留说话人。同目标对照是同样想改善识别，本文发现内容改善伴随说话人代价，而对比模型代价较小。同运行阶段对照是同样在继续预训练阶段比较，而不是拿预训练与微调混比。本文固定数据与评测后比较家族差异，因此结论针对持续预训练阶段，不直接推广到从零预训练或带标签微调的选择。

要解决的矛盾是什么，难在哪里？

要解决的矛盾是域偏移下的适应需求与标签失配之间的冲突。一方面，多语自然语音与朗读英语或朗读宗教文本差异很大，直接沿用原模型表示会有损失。另一方面，离散单元模型的监督来自源域聚类结果，如果不重算，目标就是错位的，如果重算，用什么特征、哪一层、多少类都会影响学到的是内容还是说话人。

难处有三点。第一是计算约束，只有一张显卡且要在挑战时间窗内完成，不能全量训练。第二是多任务视角，内容变好不等于表示整体变好，需要同时看说话人是否被牺牲。第三是稳定性，内容增益可能随随机种子与数据量抖动，而说话人退化可能是系统性的，若只报告单次最优会误导实践。

本文把问题拆成 4 个可操作的子问题。数据上如何不下载全量语料就选出高质量且语言均衡的子集。离散单元持续预训练是否只要重算伪标签就能跑通。伪标签的特征类型、聚类层与类别数如何改变内容与说话人的天平。原域能力是否被灾难性遗忘，遗忘程度与模型历史有何关系。后文的方法与实验分别对应这 4 个子问题。

方法全景：一个样本走完全流程

沿一个 10 秒音频块走完全流程。输入是原始波形，先做语音活动检测过滤，保证块内有效语音比例足够高。块被送入编码器得到每块 499 帧的表示，这是论文明确给出的帧数。训练时按跨度掩码抽取起点并扩展成长度为 10 的掩码段，实践中约掩码掉一半以上帧。模型根据未被掩码的上下文预测被掩码帧的目标，离散单元模型预测的是离线聚类类别，对比模型辨认的是在线量化目标。

数据侧的全景是 2 阶段打分。先算每个压缩包的语音活动检测密度，即语音时长除以总音频时长，低于 70% 的包直接丢弃。再按语言在数据中的总时长给稀缺分，资源越少的语言分越高。包分数是密度与包内语言分的乘积，按分排序后贪心取出互不重叠的 10 秒块，直到凑满 100 小时或 500 小时。取出后的索引按顺序流式读取，每个包只打开 1 次，再用混洗缓冲打乱批内相关性。

模型侧的全景是各按原配方继续训练。HuBERT 基础模型加载英文朗读预训练权重，接一个从 768 维到 500 类的线性投影头，只在掩码位置算交叉熵。WavLM 基础增强版与大模型同样接对应维度的投影头，并按原配方以 10% 概率在批内混入另一条语音，信噪比在负 5 到 5 分贝均匀抽取，要求从含噪输入预测干净伪标签。OmniASR 加载多语对比权重，保留双码本乘积量化器、100 个负样本的对比损失、权重为 0.1 的多样性损失与 0.1 的温度系数。所有模型共用掩码形状、优化器与学习率等关键设置，每个模型在各自子集上跑 5 个轮次，每轮保存检查点供下游评测。

一句话收束：方法成立的条件是什么？

方法成立的条件是目标域伪标签必须重算且与模型表示层级匹配，数据必须保证高语音密度与语言均衡，训练必须保留各模型原生损失形态，评测必须同时看内容与说话人。若任一条件缺失，例如沿用源域标签、沿用过粗的 MFCC 标签、只看内容指标或只报告单次最优，都会误判持续预训练的效果。记住这 4 个条件，就能在复述时不遗漏关键动作，也能在实践中先做最小验证再决定是否扩大规模。

组件如何分工，伪标签从哪里来？

离散单元持续预训练的核心组件是伪标签流水线。做法是抽取第 9 层 HuBERT 基础嵌入，对每个 10 秒块得到帧表示，用在线小批量 k-means 拟合 500 个簇，同时用迭代算法维护均值方差做归一化，再把每帧指派给最近质心作为伪标签。训练时编码器输出经新接的投影头变成 500 类对数，交叉熵只在掩码位置计算。这个设计的含义是监督完全来自目标域自身的聚类结构，而不是人工转写。

持续预训练 × 掩码预测： 持续预训练负责把已有自监督模型放到新的目标域音频上继续优化，掩码预测负责在被遮挡的帧位置重建离散单元目标，二者搭配的理由是目标域分布变了而编码器已经学会通用表示，只需用新分布的目标继续驱动同一损失，组合意义是让离散单元模型也能像对比模型一样做域适应，前提是伪标签必须在目标数据上重算。

离散单元模型 × 对比模型： 离散单元模型分工是用离线 k-means 把声学特征变成类别再做交叉熵分类，对比模型分工是用在线量化器生成目标再从负样本中辨认真目标，二者搭配比较的理由是它们监督来源不同，一个依赖事先算好的标签，一个随训练即时更新，组合意义是检验内容与说话人权衡是否来自持续预训练本身还是来自伪标签机制。

伪标签消融沿 3 个轴展开。特征类型对比 39 维 MFCC 与 768 维预训练嵌入，前者对应原文第一轮迭代配方并用 100 类，后者对应第二轮精化思想并主要用 500 类。聚类层对比第 6 层、第 9 层与第 12 层，类别数对比 300、500 与 1000。教学例子是，若把伪标签理解成老师给的答案，MFCC 老师只懂浅层音色包络，嵌入老师已经懂语言结构，对于已经读过很多书的学生，前者相当于用过于简单的题目继续考他，后者才能推动内容学习，但也可能让学生忘记说话人线索。

需要明确未报告的缺项。论文没有给出梯度是否截断到聚类分支的显式说明，但按离线聚类逻辑，k-means 是在训练前或流式中独立拟合的，掩码预测的梯度只更新编码器与投影头，不更新质心。论文也没有报告投影头初始化方式与是否冻结编码器底层，叙述中是全模型继续训练加新头。凡是未写明的实现细节，复现时应先按全参数更新加随机初始化新头处理，并记录该假设。

数据子集如何构造，训练预算如何控制？

构造过程是可复述的计算流程，不是手工挑选。第一步按包算语音密度，过滤低质量包。第二步按语言总时长分档给稀缺分，超过 1000 小时得 1 分，100 到 1000 小时得 2 分，10 到 100 小时得 3 分，不足 10 小时得 4 分。第三步包分数等于密度乘以包内语言分之和，按降序排列。第四步从高分包开始贪心切出 10 秒块，要求每块语音密度不低于 80%，直到达到目标时长。第五步把索引排序后顺序流式处理，保证每个包只打开 1 次。

语音活动检测密度 × 语言稀缺度： 语音活动检测密度分工是剔除静音音乐噪声主导的压缩包，语言稀缺度分工是给低资源语言更高权重，二者相乘打分的理由是单卡算力下既要保证每秒都是有效语音，又要避免高资源语言淹没多语分布，组合意义是用元数据排序实现不下载全量 40TB 仍能取出 100 小时和 500 小时可用子集。

训练预算按原文交代。掩码是 8% 时间步作为起点并扩展为长度 10 的段，实践掩码约 57% 帧。优化器用 AdamW，1500 步线性预热，梯度裁剪为 1.0，学习率为十万分之五，通过调整梯度累积与批量大小在显存允许下保持最小有效批量 48。每个模型跑 5 轮。HuBERT 基础与 WavLM 基础增强版跑在 40 GB 显存的单卡上，WavLM 大模型与 OmniASR 跑在 80 GB 显存的单卡上。原文明确未使用原配方中的深度噪声抑制混合，这是竞赛限制下的取舍。

复现时先做什么。先复现打分与切块逻辑，验证 100 小时子集的语言覆盖与语音比例，再跑通伪标签流式聚类与 499 帧每块的对齐，最后才启动持续预训练。若显存不足，优先保证有效批量不低于 48，再调累积步数，不要随意改掩码形状与学习率，否则与原文条件不再一致。

评测测什么，条件是否一致，指标方向是什么？

评测在挑战赛保留测试集上进行，覆盖 3 类任务。语言标识用宏平均 F1，越高越好。语音识别用字符错误率，越低越好。说话人日志分离用调整兰德指数，越高越好。多任务评测的目的是 1 次看出表示是全面提升还是顾此失彼。

每个基础架构都比较原始检查点与持续预训练后各轮检查点，100 小时子集覆盖全部 4 个模型配置，WavLM 大模型额外评测 500 小时子集。除 HuBERT 基础用 3 种子平均外，其余为单次运行，这与资源受限的挑战设定一致。

灾难性遗忘用轻量探针单独衡量。做法是冻结特征，在 1000 条干净朗读语音上训练线性连接时序分类探针，再在干净测试集上测词错误率。该探针隔离了表示质量与微调技巧的影响，词错误率越低说明原域内容表示保留越好。需要注意词错误率与字符错误率不是同一指标，数值相同也不能互换解读，百分点变化与相对百分比也不同。

公平条件是共享整理后的数据子集与相近的训练轮次，但模型起点不同。HuBERT 基础是从英语转向多语，域偏移最大。OmniASR 已是多语，但是从朗读宗教文本转向自然语音。WavLM 两变体与目标的偏移相对最小。解读增益时必须结合起点历史，不能直接按内容增益给架构排名。随机种子只在 HuBERT 基础 100 小时上做了 3 次重复，其他配置的单次结果应按带不确定性的观察处理。

主结果：内容改善为何不稳，说话人为何系统下降？

比较问题是，在共享数据与多任务评测下，持续预训练是否均匀改善表示，公平条件是同子集同轮次对比原始检查点，指标方向是 F1 与调整兰德指数越高越好，字符错误率越低越好。下表整理论文正文直接报告的基线与持续预训练后取向，重点是离散单元模型说话人指标的大幅下降与对比模型的例外。

表后解释需要同时给出收益与代价。论文报告内容相关指标在多个配置上改善，最明显的是 HuBERT 基础与 OmniASR，但效应不均匀也不稳定，随种子与数据机制变化。HuBERT 基础的较大内容增益可能与其面临的最大域偏移有关，OmniASR 的增益可能来自从朗读到自然语音的适应。代价是 3 个离散单元模型的说话人日志分离能力都大幅下降，而对比模型的调整兰德指数从 0.37 轻微升到 0.42。论文据此判断离散单元持续预训练把表示推向语言内容，以牺牲说话人判别信息为代价。未胜出项也要保留，WavLM 大模型在 100 小时与 500 小时上让字符错误率与宏平均 F1 朝相反方向走，因此论文明确不按内容增益给架构排名。

原域保留的结果进一步区分家族。线性探针显示离散单元模型有不同程度遗忘，HuBERT 基础与 WavLM 大模型较轻，WavLM 基础增强版较重，对比模型反而在新域训练后原域探针变好。论文用有限解释处理该现象，认为 OmniASR 原表示专用于朗读宗教文本，多语自然数据反而改善了通用性，而 WavLM 的遗忘可能与域偏移较小但去噪目标敏感有关。这部分属于支持性解释，不是因果证明，复现时应先复现数字再检验假设。

伪标签消融与种子方差：哪一个旋钮真正改变天平？

消融要回答伪标签性质是否决定离散单元持续预训练的走向。比较条件是同一 HuBERT 基础与同一 100 小时子集，只换伪标签来源。指标方向不变。下文先讲特征类型，再讲层与类别数，最后讲随机种子方差。

特征类型的差距是 stark 的。嵌入标签带来语言标识与字符错误率的改善，但让说话人指标崩塌。MFCC 标签让宏平均 F1 从 0.56 退到 0.27，字符错误率从 0.72 升到 0.79，而说话人指标基本保留在 0.72 附近。论文的解释是持续预训练不同于从零训练，编码器已经学到丰富表示，过粗的 MFCC 目标相当于噪声监督，而嵌入目标携带语言结构，能推动内容但代价是说话人信息。

聚类层与类别数的表现不同。类别数在 300、500 与 1000 之间三项指标都在种子方差范围内，作用很小。聚类层调节内容与说话人的平衡，第 12 层标签让说话人退化大约减半，第 9 层标签带来最强的内容偏移与最大的说话人崩塌，内容指标随层加深变化较小，宏平均 F1 随层加深有下降趋势。论文据此把聚类层看成权衡旋钮，认为伪标签携带随层变化的说话人与内容混合比，模型会在持续预训练中继承该混合比。

嵌入表示伪标签 × MFCC 伪标签： 嵌入表示伪标签分工是把预训练编码器中间层输出聚类，携带已学到的语言结构，MFCC 伪标签分工是把 39 维倒谱特征聚类，只保留浅层声学包络，二者搭配做消融的理由是原文第一轮与第二轮迭代本来就对应这两种粒度，组合意义是判断在持续预训练起点已经很强时，哪种粒度的监督才能推动内容而不只是保留说话人。

随机种子方差是理解高方差增益的关键。HuBERT 基础 100 小时重复 3 次，说话人指标稳定下降但方差小，内容指标波动大，字符错误率在 0.55 到 0.74 之间大幅摆动，均值约 0.65，标准差约 0.10，甚至有一个种子差过基线 0.72。宏平均 F1 始终在基线之上波动。因此论文强调说话人损失是可重复的稳健效应，内容增益是运行依赖的，应谨慎解读。这也说明单次最优不能代替可部署收益，报告时必须同时给出未胜出的种子。

边界与缺项：哪些结论不能推广？

第一是训练规模与批量受限。论文明确在有限轮次与较小批量下完成，与常规预训练相比不算充分，因此不能把当前增益外推到全量 1000000 小时语料。数据整理流水线虽然高效，但没有量化整理本身相对单纯加数据的独立贡献，扩大到全量数据后需要重新检验整理的作用。

第二是评测覆盖有限。下游只有语言标识、识别与说话人日志分离三项，没有扩展到多语通用基准的更广任务，也没有测量误判率之外的延迟与成本。总体趋势不等于每组每步都成立，WavLM 大小模型行为不同就是反例。

第三是证据等级不同。内容与说话人权衡有跨 4 个配置的一致证据，属于直接报告。伪标签粒度与层的机制属于有消融支持的解释。关于参数量饱和、域偏移大小与去噪目标敏感性的讨论属于待验证假设，论文用可能与假设等措辞表达。缺失证据不是技术错误，但复现与引用时要区分报告、支持与推测。

第四是资源声明。论文正文给出代码链接，但本次可核对的资源状态是没有发现完成验证的可用资源，因此不能写代码模型或数据已公开，只能写论文声称提供链接，本次未能确认可达。任何关于可下载权重的说法都超出本次证据，不应写入复现指南。

复现先做什么，需要哪些超参数与检查点？

复现应按学习依赖排序，先数据再标签再训练再评测。第一步复现 2 阶段打分与切块，核对语音密度阈值 70%、块内语音密度不低于 80%、语言稀缺分四档，以及包分数等于密度乘语言分之和的排序逻辑。先在小样本上验证语言覆盖与有效语音比例，再放大到 100 小时。

第二步复现伪标签。按第 9 层嵌入、500 类、在线小批量 k-means、每块 499 帧的设定跑通，保存质心与每帧类别。消融时再分别跑 39 维 MFCC 与 100 类、第 6 层与第 12 层、300 类与 1000 类，注意除 HuBERT 基础主行是 3 种子平均外，其余消融行为单次运行。

第三步复现持续预训练。保留的关键超参数是掩码起点比例 8% 加段长 10、学习率十万分之五、1500 步预热、梯度裁剪 1.0、最小有效批量 48、跑 5 轮并每轮保存。离散单元模型接对应隐藏维到 500 类的投影头，WavLM 加批内 10% 混合与负 5 到 5 分贝信噪比，OmniASR 保留双码本各 320 词条、100 负样本、0.1 多样性权重与 0.1 温度。硬件按 40 GB 与 80 GB 单卡区分大小模型。

第四步复现评测。先跑目标域三任务，再跑 1000 条朗读语音的冻结线性探针。下表把遗忘与方差的关键数字放在一起，便于复现时逐项核对，表中变化单位是百分点，不是相对百分比。

表后说明复现的通过标准。说话人退化应在离散单元模型上复现为大幅下降，对比模型不下降。内容增益允许抖动，若只复现出均值附近而未复现最优种子，不应判为失败。遗忘侧 WavLM 基础增强版的大幅上升与 OmniASR 的大幅下降是区分性检查点，若两者同时消失，应先查数据分布与探针冻结方式是否一致。所有数字核对时要同时核对数据集、模型、阶段、指标与聚合对象，不能只看数值相同就认定同一指标。

何时值得尝试，何时需要补充策略？

何时值得尝试。如果下游以内容为中心，且能接受说话人能力下降，可以在目标域上重算嵌入伪标签并恢复掩码预测。起点域偏移越大，内容改善的空间可能越大，但也要预期方差大，需要多次种子验证。若下游同时需要说话人身份，则不应单独使用本文的离散单元持续预训练，需要补充保留说话人的策略，例如适配器或多任务学习，这些在本文只是未来方向而非已验证方案。

实践中有两个易错点。第一是把 MFCC 标签当成通用起点。论文显示它在从零训练时合理，但在持续预训练中过于粗糙，会拖累内容且保留说话人，正确做法是用预训练模型自身的嵌入重算标签，并把聚类层当成权衡旋钮。第二是把内容单次最优当成方法收益。论文用 3 种子证明内容方差大而说话人退化稳健，因此报告与选型时必须同时给出均值方差与未胜出种子，不能只挑最好的 1 次。

还需补的验证包括扩大到 500 小时以上与全量数据的趋势检验、更广多语基准上的多任务检验，以及显式保留说话人方法的对照检验。只有补齐这些，才能判断当前权衡是小规模持续预训练的阶段性现象，还是离散单元范式的固有倾向。就现有证据而言，最稳健的结论是伪标签性质决定离散单元持续预训练的走向，而内容与说话人的此消彼长需要按任务需求来取舍。

⚖️ 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