并行时间—频带混合加可学习回灌：在不调参的情况下压住识别敏感的增强伪影

英文题目：Parallel Time-Band Mixing with Learned Observation-Adding for Robust ASR Front-Ends

会议身份：conference:interspeech:2026:conference-paper-id:shen26c_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：#注意力机制 #CNN #语音 #语音识别 #语音增强

评分：6.1/10 | 创新 1.2/2 | 技术严谨 1.0/1.5 | 实验充分 1.0/1.5 | 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

• Xingyu Shen：机构信息未能从会议 PDF 纯文本可靠映射
• Runze Wang：机构信息未能从会议 PDF 纯文本可靠映射
• Wei-Ping Zhu：机构信息未能从会议 PDF 纯文本可靠映射
• Benoit Champagne：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

输入为单通道含噪混响波形，输出为可直接送入冻结识别器的增强波形，难点在于增强伪影会损伤识别精度且前端必须保持轻量可部署。方法链分为四步：先将复数短时傅里叶变换（Complex STFT）按非均匀V4划分切分为23个子带并做带内嵌入，再用12层并行时间频带混合器同时建模带内时序与帧级跨带依赖，接着经掩码加残差重构得到增强谱与波形，最后由可学习观测相加预测单标量权重并融合观测与增强信号。相对循环式频带拆分结构的关键差异在于块内无循环展开，时序用门控空洞深度卷积而跨带用逐帧自注意力并行执行。训练采用多分辨率短时傅里叶变换幅度损失与尺度不变信噪比损失的固定加权和，并分两阶段先训练增强网络再冻结训练观测相加回归器。在CHiME-4真实单通道评测集et05 real上搭配冻结Whisper Large时词错率（Word Error Rate）为6.24%，低于同表两类循环基线并保持前端仅0.96M参数与0.58 GMAC/s。推理开销方面该前端计算量仅为0.58 GMAC/s，流式因果与低延迟硬件部署条件尚未验证。结论目前仅在英语DNS与CHiME-4及冻结Whisper解码下验证，未验证流式因果、可学习权重跨语种跨识别器迁移与强混响之外的失真类型。

🔗 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，要输出什么，哪些信息不能丢？

这篇论文研究的是单通道语音增强作为鲁棒语音识别前端的问题。输入是一段含噪单通道波形，用论文符号记为小写 x，它同时包含目标说话人的干净语音、加性噪声，在部分条件下还包含混响。目标不是让人听着更舒服，而是把处理后的波形送给一个参数冻结的识别器后，识别文字的词错误率能够下降。初学者容易把语音增强理解为把噪声减掉就行，但论文反复强调的关键约束是增强伪影。所谓伪影，用白话说就是增强模型自己造出来的失真，例如过抑制导致的语音断裂、频谱空洞或音乐噪声，这些失真在信噪比或听感指标上可能不明显，却会让识别器误判。

因此前端必须保留的信息有两个层面。一是语音的语言可辨别性，包括音素的时序演变与共振峰的跨频带结构，不能为了降噪把弱辅音或高频细节一起抹掉。二是与原始观测的联系，因为完全信任增强输出风险高，保留一部分原始含噪信号反而能对冲伪影。输出在论文中有两个阶段，先是增强估计波形，记为 s_hat，再是经过混合后的送识别波形，记为 s_LOA。整个流程保持识别器冻结，只训练前端，这对应实际中识别器难以重训或需要复用的部署场景。

理解这一点后，后续所有关于并行结构与混合权重的设计，都是在回答如何在不增加识别器负担的前提下，既压噪声又不引入新的识别敏感失真。

已有路线如何处理伪影与串行计算？

在把增强放在识别器之前的做法中，已有工作大致沿 3 条路线展开。第一条是改进增强本身的建模，例如时域 attentive recurrent network，以及双路径风格学习与伪监督自适应，其共同目标是让增强输出更接近干净语音或更适应远场真实录音。第二条是正视增强错误的类型，论文引用的分解工作指出伪影分量可能主导识别退化，并提出把观测信号与增强信号加权混合的观察信号加回方法，用英文记为 Observation-Adding，缩写为 OA。还有工作从损失函数入手显式减少失真与伪影，另有工作提醒单一增强指标优化可能误导识别性能，这说明前端设计需要与下游识别目标对齐，而不是只追听感分数。

第 3 条是带切分结构本身。带切分循环网络的英文是 Band-split RNN，缩写为 BSRNN，它把频带划分成多个子带，交替做时间建模与跨频带建模，从而改善全带重构质量。后续轻量化工作在该结构上做帧重采样与渐进子带剪枝，以降低计算量并保持鲁棒识别性能。但论文指出这类前端在时间与跨频带两个维度仍依赖循环计算，带来块内的串行依赖，降低并行效率。

与之相对，序列并行的时序卷积与注意力模型已显示出长上下文建模不需要循环展开也能实现，这为可部署前端提供了动机。本文的定位是同时解决上述两个约束，一是用并行混合器替代循环，二是用可学习的混合替代人工调参，而不是提出新的识别器或新的听感损失。

要解决的矛盾是什么，成功标准如何定？

论文要解决的矛盾可以表述为，带切分前端需要同时建模时间上下文与频带间结构，但经典做法把这两者都做成循环模块，导致推理难以并行且参数与计算量偏大；另一方面即使增强质量提升，伪影仍可能损害识别，而传统混合权重需要在开发集上手动搜索，换场景就要重调。成功标准因此是双重的，识别侧要求在多个冻结识别器与多个测试条件下词错误率一致下降，效率侧要求前端自身参数量与每秒乘加数明显低于循环基线。

这里需要区分两个容易混淆的概念。语音质量变好不等于识别变好，因为识别器对特定失真更敏感。论文的实验设计正是围绕这一点展开的，它不把增强的信号级损失作为最终裁判，而是把冻结 Whisper 在不同尺寸下的词错误率作为主要识别指标。另一个需要提前说明的边界是，论文的混合机制在推理时是对每条测试录音预测一个标量权重，统计量在该录音的全部短时傅里叶变换帧上计算，因此是话语级而非完全流式。对于需要逐帧低延迟输出的流式系统，该形式不能直接套用，这是理解后续训练与推理差异的前提。

端到端链路如何从含噪波形走到识别文本？

先沿一个样本走完全程。输入含噪波形 x 先做复数短时傅里叶变换得到谱 X，频轴按预定义的非均匀 V4 划分切成 K 个互不重叠的子带，论文默认 K 等于 23。每个子带在每帧把实部与虚部拼接，再经该子带专属的线性层映射为 C 维嵌入，所有子带堆叠得到初始表示。随后该表示经过 L 个并行时间—频带混合器堆叠处理，英文为 Parallel Time-Band Mixer，缩写为 PTBM，默认 L 等于 12，通道 C 等于 128。

处理后的表示经两个预测头分别输出复数掩码 M 与复数残差 R，再按增强谱等于掩码逐点乘观测谱加残差重构全带谱，做逆变换得到增强波形 s_hat。最后可学习观察信号加回模块预测一个 0 到 1 之间的权重 omega，把原始 x 与增强 s_hat 加权求和得到 s_LOA，送入冻结的 Whisper 得到文本。

带切分 × 掩码加残差重构： 带切分负责把全频带复数谱按非均匀子带划分并各自映射为等维嵌入，让后续建模在子带维度上并行处理；掩码加残差重构负责把处理后的嵌入映射回每子带的复数掩码 M 与残差 R，再按增强谱等于掩码乘观测谱加残差恢复全带，二者搭配的原因是前者提供低失真且可并行的表示，后者保留乘性抑制与加性补偿两种自由度，组合意义是全带重构质量与识别保真度可以兼顾。

下面这张端到端流程图值得按箭头顺序阅读，它把上述链路画成从左到右的主路径，并在重构与混合处画出两条回灌支路，初学者可以借此确认掩码支路与残差支路分别与谁相乘相加，以及原始波形在何处再次进入系统。

看图路径： 1. 先从左侧含噪波形沿 STFT 与带切分箭头向右追踪到混合器堆叠；2. 再看掩码头与残差头如何分别与原始谱汇合后送逆变换；3. 最后确认增强波形与原始波形同时进入学习加回模块再送冻结识别器

论文图 1。原论文 Figure 1：“End-to-end pipeline of the proposed speech-enhancement front-end for robust ASR.”。

从图中可以看到，左侧含噪输入一分为二，一路进入短时傅里叶变换与带切分，另一路直接跳到最右侧的混合模块，这条长跳线正是观察信号加回的物理含义。中间蓝色堆叠块代表多个混合器串联，其输出分叉到残差头与掩码头，掩码头输出与原始谱相乘后，再与残差头输出相加，这种先乘后加的结构就是掩码加残差接口。右侧逆变换后的增强波形与原始波形共同进入橙色混合模块，再送入冻结识别器。理解这张图后，真正的技术细节只剩下混合器内部如何并行，以及混合权重如何学习得到。

混合器内部两个分支如何分工与融合？

每个混合器块的输入输出形状相同，都是批次、子带数、时间帧数与通道数的 4 维张量。块内有两个并行分支，一个是时间卷积混合器，英文为 Temporal ConvMixer，缩写为 TCM，负责子带内时间混合；另一个是跨频带注意力混合器，英文为 Cross-Band Attention Mixer，缩写为 CBA，负责每帧跨子带交互。两者并行运行在同一输入上，随后由交互模块融合，再加块级残差得到块输出。这种设计刻意消除了块内循环展开，时间维用卷积并行，频带维用注意力并行。

时间卷积混合 × 跨频带注意力混合： 时间卷积混合负责在每个子带内部沿时间帧做门控空洞深度卷积，捕捉非平稳噪声的时序上下文；跨频带注意力混合负责在同一帧内把 K 个子带向量看作序列做多头自注意力，恢复频带间结构，二者搭配的原因是语音的时频依赖是正交的两个维度，组合意义是通过门控交互模块按通道自适应融合，避免块内循环展开仍能同时建模时间与频率。

具体操作上，时间分支对每个子带独立进行层归一化，再经逐点瓶颈投影把通道从 C 降到 Cb，默认 Cb 等于 48，然后沿帧索引做门控空洞深度 1 维卷积，默认卷积核为 3，空洞为 1、2、4、8，最后逐点投影回 C 得到时间分支输出。跨频带分支在每帧把 K 个子带向量看作序列，同样先层归一化与瓶颈投影，再做多头自注意力，默认头数为 4，最后投影回 C 得到频带分支输出，计算在不同帧之间并行。交互模块把两路输出沿通道拼接后经逐点线性与 Sigmoid 得到门控 G，再按 G 乘时间输出加一减 G 乘频带输出做加权融合，最后与块输入相加。

下面这张块结构图把上述并行关系画得非常直观，左侧蓝色为时间链，右侧绿色为频带链，顶部为门控融合与残差，阅读时应先看分叉再看汇合。

看图路径： 1. 先确认底部同一输入同时分叉进入左右两个并行分支；2. 再对比左侧门控空洞卷积链与右侧多头注意力链的模块顺序；3. 最后观察顶部门控融合与右侧直连残差如何汇合成块输出

论文图 2。原论文 Figure 2：“Structure of the PTBM block. The TCM branch and the CBA branch run in parallel, followed by the interaction module and a residual connection.”。

从像素上看，底部同一输入同时向上进入左右两条垂直链，左侧依次为层归一化、瓶颈投影、门控空洞卷积与投影，右侧依次为层归一化、瓶颈投影、多头注意力与投影，两条链顶端汇入标有门控与融合的交互框，再与最右侧的长残差线相加输出。这种画法直接对应了块内无串行依赖的主张，因为左右两链之间没有先后箭头。初学者复述时要能说清门控的作用是按通道与位置自适应决定信任时间线索还是频带线索，而不是简单相加。

混合权重如何从统计量中学习而不靠人工搜索？

传统观察信号加回需要人工在开发集上搜索一个固定权重，换噪声或换混响就要重调。可学习观察信号加回的英文是 Learned Observation-Adding，缩写为 LOA，它把权重预测做成一个轻量且与识别器无关的两层感知机，隐藏层用 ReLU，输出用 Sigmoid 保证 0 到 1 之间。输入不是波形本身，而是 3 个汇总统计量，一是输入与增强波形的对数能量比，二是两谱对数幅度差在全部时频格上的均值，三是同一差值的方差。对数幅度差是对观测谱与增强谱逐时频格求对数幅度相减得到，计算使用与带切分相同的分析变换。能量比捕捉整体响度失配，均值与方差捕捉谱形失配，论文强调这种设计能防止只靠幅度缩放的退化解。

观察信号加回 × 可学习的： 观察信号加回负责把含噪输入 x 与增强输出 s_hat 按权重 omega 加权求和，用保留部分原始信号来掩盖增强引入的伪影；可学习的负责用两层感知机从能量比与谱差统计自动预测该权重，分工是前者提供鲁棒性机制，后者消除在开发集上手动调参的依赖，组合意义是部署时对每条测试录音自适应选择混合比例而不改动识别器。

训练与推理的统计口径有明确区别，训练时统计量在与增强输入相同的固定长度训练片段上计算，推理时在整条测试录音的全部帧上计算，因此推理权重是话语级的。最终送识别的波形是 omega 乘原始输入加一减 omega 乘增强估计。论文明确说明推理时输入统计在该录音的所有帧上计算，初学者不要误以为它是逐帧自适应的流式权重。这种话语级设计简化了部署，但在需要低延迟的场景中需要另行改造，这是复现时必须保留的条件。

算子级成本为何说并行更便宜？

算子级比较要回答的问题是，在默认配置下时间与跨频带模块的单次调用成本与是否可并行。公平条件是同一通道与瓶颈配置，时间模块按每子带调用统计，跨频带模块按每帧调用统计，指标为参数量与乘加数越低越好，并行性用是否序列并行表示。

表后解释是，时间卷积与跨频带注意力在单次调用成本上低于门控循环单元，且标注为序列并行，这与主表前端总计算量下降的方向一致。但论文报告的是乘加数与参数量，并未直接测量 wall-clock 延迟或吞吐，因此不能把乘加数下降直接承诺为同比例延迟下降，实际加速还取决于硬件、内核实现与内存访问。另一个细节是跨频带循环的乘加数显著高于时间循环，这是因为每帧要在子带序列上展开，恰好说明用每帧并行的注意力替代循环的动机。初学者应把该表理解为设计合理性的旁证，而不是部署延迟的保证。

两阶段训练如何组织，哪些参数何时冻结？

训练分为两个阶段，这一点对复现至关重要。第一阶段训练语音增强网络本身，目标是增强波形与干净参考之间的固定加权和，包括多分辨率短时傅里叶变换幅度损失与尺度不变信噪比损失，权重 lambda 固定为 1.0。多分辨率使用 3 种分辨率组合，论文给出的快速傅里叶点数、跳长与窗长分别为 1024、120、600，以及 2048、240、1200 与 512、50、240。该目标与掩码加残差接口完全兼容，因为损失直接作用于逆变换后的波形，而不是直接约束掩码。优化器用 Adam，学习率为万分之二，动量参数为 0.9 与 0.999，在 4 秒随机裁剪上训练 54000 步，批量为 8。每个基准单独训练一个前端，模型选择依据是对应验证集上的验证损失最低。

第二阶段冻结增强网络，只训练混合权重预测器。对每个训练片段，先用 1 维网格搜索在 0 到 1 区间以 0.01 步长寻找使同一信号级损失最小的 oracle 权重，把该权重作为回归目标，再让感知机从片段级统计量回归该目标，损失为均方误差。优化用 Adam，学习率为万分之一，训练 10000 步。论文未报告混合器内部梯度路径的额外截断，也未报告除上述之外的正则化细节，复现时不应自行添加。需要区分的是，oracle 权重是事后搜索的最优值，仅用于训练监督，不能当作可部署收益报告。

可部署的是感知机预测的权重。短时傅里叶分析统一为 32 毫秒汉宁窗、16 毫秒跳长、512 点变换、16 千赫采样，这是前后统计量一致的前提。

在哪些数据与识别器下测试，如何保证可比？

实验在两个 16 千赫英文基准上进行，分别是 DNS 挑战与 CHiME-4。每个基准单独训练前端并在各自官方测试集上报告。CHiME-4 报告单通道真实录制的开发集与评估集，即 dt05 真实集与 et05 真实集，训练混合按在线仿真协议，用单通道仿真训练集的话语与 DNS 噪声语料中的噪声片段即时混合，每条话语随机裁剪噪声至等长，再按负 5 到 20 分贝均匀采样信噪比混合。DNS 挑战按 ESPnet 语音增强流程构建 100 小时单通道含噪训练集，模型选择在官方验证集上进行，测试在官方合成测试集的无混响与有混响两种条件下报告。

识别侧统一用冻结 Whisper 作为后端，覆盖 Tiny、Medium 与 Large 3 种尺寸，解码不用外部语言模型，所有方法用相同解码与文本归一化，包括转小写、去标点与空白归一化。基线使用在对应开发集上调参的固定观察信号加回，而本文默认用可学习混合输入，以隔离增强结构的变化。主识别指标为词错误率，方向越低越好。效率只统计增强前端自身的参数量与每秒乘加数，不含识别器。默认模型配置为 12 块、通道 128、瓶颈 48、时间核 3、空洞 1、2、4、8、注意力 4 头、混合感知机隐藏层 64，这些数字是复现对齐的起点。

需要说明的是，当前可核对的资源状态为未发现来源绑定且完成验证的资源，因此不能声称代码、模型或数据已公开，复现应按论文文字与 ESPnet 流程自行搭建。

主结果在多识别器与多条件下是否一致变好？

主结果要回答的问题是，在冻结识别器尺寸变化与含混响、真实录音等条件变化下，新前端是否相对含噪输入与循环带切分基线一致降低词错误率，且效率是否更优。比较的公平条件是同一训练数据协议、同一冻结识别器、同一无语言模型解码与同一文本归一化，指标方向均为词错误率越低越好，效率指标为前端参数量与每秒乘加数越低越好。

表后需要同时看到收益与代价。论文报告显示，本方法在 DNS 无混响、有混响与 CHiME-4 真实录制集上均低于含噪输入与两个带切分基线，并迁移到训练未见的真实录音条件，支持并行时间—频带混合作为低失真主干的判断。效率上，本方法以 0.96M 参数与 0.58GMAC/s 低于循环基线的 2.60M 与 1.84GMAC/s，也在相近或更低计算量下优于轻量化基线。但趋势不等于每组都大幅领先，例如部分中等尺寸识别器上的差距较小，且绝对词错误率仍受识别器尺寸主导，从 Tiny 到 Large 的下降远大于前端带来的下降。未胜出项也应指出，含噪输入在个别小尺寸组合上并非最差的绝对参照需要结合完整原表核对，不能只看 Large 列就推广到全部。

词错误率 × 计算量： 词错误率负责衡量冻结识别器下前端对识别的真实收益，方向是越低越好；计算量负责衡量前端自身的参数量与每秒乘加数，方向是越小越易部署，二者搭配的原因是前端必须同时回答识别是否变好与代价是否可接受，组合意义是论文把 0.96M 参数与 0.58GMAC/s 和多条件词错误率并列报告，以支撑精度—效率权衡的判断。

拿掉时间、频带与混合后，退化最大的是哪部分？

消融要回答的是收益究竟来自时间建模、频带建模还是混合机制，实验固定用 Whisper Large 并默认开启可学习混合，以隔离增强结构的变化。比较问题是去掉跨频带交互、去掉时间混合、直接用增强输出、改用固定混合权重后，词错误率如何变化，指标方向仍是越低越好。

表后解释应抓住两点。第一，去掉时间混合的退化大于去掉跨频带交互，说明强子带内时序上下文对抑制非平稳干扰仍至关重要，而跨频带建模有助于保持对识别重要的频带间结构，两者缺一都会退化，这支持每块同时保留两路的设计。第二，直接用增强波形做识别输入差于加回，固定权重优于不用加回但差于可学习加回，这与识别对伪影敏感的先验一致，也说明可学习混合在免开发集调参下达到最好。

深度扩展方面，从 6 块到 12 块有实质增益，12 块到 15 块增益递减，因此默认选 12 块平衡精度与复杂度。复述时不要把消融说成证明某模块必然无用，它只报告在当前数据与冻结识别器下的相对贡献。

哪些边界没有测，哪些结论不能推广？

首先是流式与延迟边界。论文明确可学习混合在推理时对每条测试录音计算统计量，属于话语级而非完全流式，且实验只报告参数量与每秒乘加数，未报告帧级延迟、实时率或内存峰值，因此不能声称已验证低延迟流式可用。其次是监督与调参边界。混合预测器的监督来自同一信号级损失下的网格搜索最优权重，分辨率为 0.01，该最优是信号级而非识别级最优，用均方误差回归它并不保证词错误率最优，论文也没有报告识别级 oracle 的上限。

再次是数据与识别器边界。实验限于英文 16 千赫的 DNS 与 CHiME-4，以及冻结 Whisper 的 3 种尺寸，未报告其他语言、其他采样率、其他识别器或带语言模型解码下的表现，也未报告统计显著性与多次随机种子的方差，因此跨语种与跨识别器的推广属于待验证。最后是资源可得性边界，本次未能确认代码与权重可达，复现需要自行实现带切分、混合器、掩码加残差与 2 阶段训练。把这些缺项说清楚不是否定结果，而是明确何时值得尝试，即在可接受话语级处理且识别器冻结的场景中优先尝试，流式场景需另行验证。

复现先做什么，如何一步步对齐？

复现的第一步是搭数据与分析条件。CHiME-4 按单通道真实开发与评估集报告，训练用仿真单通道话语与 DNS 噪声在线混合，信噪比在负 5 到 20 分贝均匀采样；DNS 按 ESPnet 流程构建 100 小时训练集，验证集选模型，测试分无混响与有混响。分析变换统一为 32 毫秒汉宁窗、16 毫秒跳长、512 点变换，带划分为 V4 的 23 子带，这是前后统计与重构一致的基础。

第二步是搭模型。初始嵌入把每子带每帧的实虚部拼接后经子带专属线性层映射，堆叠 12 个混合器块，每块按时间卷积与跨频带注意力并行再门控融合加残差，通道 128、瓶颈 48、核 3、空洞 1、2、4、8、注意力 4 头。预测头为子带专属全连接层，输出复数掩码与残差，再按增强谱等于掩码乘观测谱加残差重构。第三步是 2 阶段训练，先以多分辨率幅度损失加尺度不变信噪比损失训练增强网络，学习率万分之二，4 秒裁剪，批量 8，共 54000 步。

再冻结增强网络，以 0.01 步长网格搜索信号级最优混合权重为目标，用均方误差训练两层感知机，隐藏层 64，学习率万分之一，共 10000 步。解码时固定用同一 Whisper 尺寸、无外部语言模型与同一文本归一化，先跑含噪输入与固定混合基线，再跑可学习混合，避免把实现差异误读为方法收益。

何时值得尝试，一句话如何记住它？

如果用一句话记住本文，就是用并行卷积管时间、用并行注意力管频带、用可学习的单权重回灌管伪影，从而在冻结识别器下兼顾识别与效率。值得尝试的场景是识别器不能动、前端预算有限、测试条件多变且能接受话语级处理，例如云端批量转写或离线增强后识别。需要先补验证的场景是严格流式、低延迟耳机或助听，以及非英文与非 Whisper 识别器，这些在原文中没有直接证据。

对刚入门的研究生，建议把复述重点放在 3 个可动手检验的动作上。一是沿单样本画出从波形到谱、子带、混合器、掩码加残差、逆变换、混合权重再到文本的完整数据流，并标出两条回灌线分别回灌到哪里。二是能说清时间分支与频带分支的输入形状、并行维度与融合门控的计算顺序，而不是只说二者结合更好。三是能区分信号级最优、可部署预测与识别级最优，实验比较时只把可部署策略当作收益，把事后最优当作诊断上限。掌握这三点后，再去读原文的表格就能理解为何去掉时间退化更大、为何直接用增强输出更差，以及为何 12 块是平衡点。

⚖️ 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