成人与儿童一起识别：用分类器路由和熵感知混合专家分开处理不同口音与年龄

英文题目：Entropy-Aware Domain-Routed Mixture-of-Experts Speech-LLM Framework: A Case Study of Multi-Domain Child-Adult ASR

会议身份：conference:interspeech:2026:conference-paper-id:shi26c_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：#混合专家模型 #音频大模型 #语音 #语音识别

评分：6.8/10 | 创新 1.4/2 | 技术严谨 1.1/1.5 | 实验充分 1.2/1.5 | 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 1.0/1.5

排名：前50% | 文档类型：方法研究

👥 作者与机构

• Mohan Shi：机构信息未能从会议 PDF 纯文本可靠映射
• Kaiyuan Zhang：机构信息未能从会议 PDF 纯文本可靠映射
• Zilai Wang：机构信息未能从会议 PDF 纯文本可靠映射
• Natarajan Balaji Shankar：机构信息未能从会议 PDF 纯文本可靠映射
• Eray Eren：机构信息未能从会议 PDF 纯文本可靠映射
• Abeer Alwan：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

面向成人与儿童混合的自动语音识别需要将声学波形映射为文字转写，难点在于儿童与成人发音差异大、儿童各年龄段差异细微且数据稀缺，单一模型易顾此失彼。本文以语音大语言模型Speech-LLM为底座，先由基于分类器的域路由C-DR根据编码器表征输出域概率，再按该概率对混合投影器MoP与混合低秩适配器MoL的域专用专家做硬或软选择，最后由熵感知路由EAR按归一化熵在路由结果与共享专家之间插值以缓解边界不确定。与无显式监督的可学习门控混合专家相比，该设计把层次化域结构与不确定性处理显式引入路由过程，可控性与可解释性更强。在OGI-S自发儿童语音与MyST对话语音等公开语料上的评估显示，软路由加EAR的完整模型在OGI-S平均词错率上达到11.08%，显著优于单专家与香草门控混合专家基线并保持了成人干净语音性能。该结论目前仅适用于所测的5个域划分与英语儿童对话和课堂应答场景，对噪声、口音、其他语言及更大年龄跨度的外推尚未验证。训练使用单张NVIDIA A6000显卡完成，原文未披露训练时长与推理时延或部署开销。

🔗 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，为什么儿童语音更难？

这篇解读的输入是论文正文与 3 张官方原图像素，目标是让刚进入语音与音频方向的研究生能复述方法与实验条件。必须保留的信息包括任务定义、5 个领域划分、分类器路由与熵感知路由的计算方式、混合投影器与混合低秩适配器的训练与冻结安排、基线种类与词错率数字。输出是 1 篇可核对的技术解读，不做营销式判断。

任务是自动语音识别，也就是把输入语音信号转写成文字。论文研究的是用同一个语音大语言模型同时处理成人语音和儿童语音。白话说，语音大语言模型是指先用语音编码器提取声学表示，再用投影器把声学表示映射成大语言模型能接受的嵌入，最后由大语言模型按提示词生成转写文本。英文是 Speech Large Language Model，缩写 Speech-LLM，后文简称语音大模型。

儿童语音更难的原因在引言中交代得很直接。第一是儿童与成人在声学和语言上差异大，且高质量标注的儿童数据少。第二是儿童内部也不一致，不同年龄组和不同录音环境带来明显声学差异。第三是把模型往儿童域适配后，成人语音性能常因领域不匹配而下降。也就是说，目标不是只在一个儿童库上刷低词错率，而是 adult、child、多环境、多年龄同时可用，且成人性能不塌。

论文把 5 个领域定为粗细两层。粗粒度是不同数据集与成人儿童之分，细粒度是同一环境内按年龄再分。具体做法是把 MyST、OGI 自发部分按年龄切出的 3 组、LibriSpeech 测试干净子集看成 5 个域。其中 MyST 是 8 到 10 岁儿童与虚拟导师的对话，OGI 自发部分是课堂录音且年龄更宽，转写保留口吃等不流利现象。LibriSpeech 干净测试集只做成人评估。理解这个划分是后面理解路由与共享专家的前提。

已有路线做了什么，本文在哪个位置补缺？

典型的语音大模型自动语音识别管线包括语音编码器、模态投影器和用低秩适配器微调的大语言模型。白话说，低秩适配器是指冻结大模型原始权重，只在选定线性层旁训练两个低秩小矩阵，英文是 Low-Rank Adapter，缩写 LoRA，后文简称低秩适配器。这种做法在受控成人语音上已经很强，但论文指出此前没有语音大模型工作在公开儿童基准上同时报告儿童、成人与分年龄性能。

混合专家是另一条路线。白话说，混合专家是指准备多个专家网络并由路由决定用哪一个，英文是 Mixture-of-Experts，缩写 MoE。已有语音大模型混合专家工作多用可训练门控网络做路由，且只在投影器一侧或低秩适配器一侧引入专家，分别偏向声学或语言变异。论文的对照思路是，这类香草路由缺乏显式领域监督，在数据有限时路由难以学准。

本文的补位是 3 个同时做。第一是同时引入混合投影器与混合低秩适配器，英文分别是 Mixture-of-Projectors 和 Mixture-of-LoRAs，缩写 MoP 和 MoL，分别处理声学映射与语言模型侧变异。第二是用基于分类器的领域路由显式指导专家选择，英文是 Classifier-based Domain Router，缩写 C-DR，使路由可控可解释。第三是引入熵感知路由动态混入共享专家，英文是 Entropy-Aware Routing，缩写 EAR，处理边界附近的不确定。论文自称这是首个能同时处理多儿童与成人域的语音大模型统一框架，该判断属于作者声明，解读只转述不加证。

要解决的矛盾是什么，成功标准如何定？

中心矛盾是一个模型要同时装下差异很大的语音，而差异本身是分层的。成人与儿童之间、MyST 与 OGI 课堂录音之间差异大，相邻儿童年龄组之间差异小但仍影响识别。相邻年龄的声学重叠会导致按年龄硬分类天然模糊，同一年龄的儿童也可能处在不同语音发育阶段。

成功标准因此不是单点最低词错率。论文用词错率评估，英文是 Word Error Rate，缩写 WER，数值越低越好。需要同时看 OGI 3 个年龄组、MyST 和 Libri 干净集。理想结果是儿童各域相对单专家与香草混合专家稳定下降，成人干净集不相对零样本明显变差。论文还设置了单数据集微调上界与已发表最优结果作参照，但上界不可部署为统一模型，只能用来判断统一模型离专用模型还有多远。

一个例子帮助理解，但属于教学例子而非论文数值。假设一条 4 到 7 岁课堂语音同时像 8 到 10 岁组，路由给出相近概率，此时硬选一个年龄专家就很冒险。论文的思路是不要强行二选一，而是让熵度量这种犹豫，再混入一个在更大范围数据上训练的共享专家兜底。

一个样本走完全流程：从波形到转写经过了谁？

先沿一个样本走完主路径。输入是语音信号与文本提示词。语音信号进入冻结的语音编码器得到表示，记为编码器输出。提示词经分词器与文本嵌入层得到提示嵌入。编码器输出进入混合投影器得到语音嵌入，提示嵌入与语音嵌入一起送入带混合低秩适配器的大语言模型解码器，最终输出转写文本。编码器表示同时送入基于分类器的领域路由，得到每个领域的路由概率，再决定投影器与低秩适配器侧用哪个专家。

语音大语言模型 × 混合专家： 语音大语言模型负责把语音编码器输出经投影器送入大语言模型完成转写，混合专家负责为不同领域各准备一套投影器与低秩适配器，二者搭配的原因是单一投影器与单一适配器难以同时拟合成人与不同年龄儿童的声学与语言差异，组合后语音大语言模型成为共享骨干而混合专家成为可切换的领域分支，新增作用是统一框架下按域选择参数。

下图是全文的方法总览与路由细节，左侧是整体工作流，右侧是路由操作，阅读时先分清主干与路由两条线。主干是语音与文本如何汇合，路由是概率如何产生与如何混合专家。

看图路径： 1. 先沿左侧输入语音与提示词两条路看如何汇入大语言模型解码器；2. 再看右侧分类器路由如何输出路由概率并分支到各专家与共享专家；3. 对照虚线标出的混合投影器与混合低秩适配器确认专家在两个位置同时切换；4. 观察熵计算与熵感知路由如何把不确定度混入最终输出

论文图 1。原论文 Figure 1：“Illustration of the proposed method. (a) The overall workflow of the MoE Speech-LLM framework; dashed lines illustrate the mixture of projectors and the mixture of LoRAs.”。

从像素可见，左图顶部是提示词分支与输入语音分支，语音分支经编码器得到表示后进入混合投影器，右上角虚线放大框显示多个投影器并行再经路由选择。下方大框是大语言模型，内含多个带混合低秩适配器的解码器层，右下角虚线放大框显示多个低秩适配器并行再经路由选择。右图顶部是基于分类器的领域路由，内含粗粒度分类器与细粒度分类器并输出路由概率。

中间是多个专家与一个共享专家并行，路由概率一方面做硬或软路由得到领域专家输出，另一方面与共享专家输出一起进入熵计算与熵感知路由，最终输出作为下一层输入。每个专家既可表示投影器也可表示低秩适配器，符号上统一为输入与输出，这是理解后文公式符号的关键。

分类器路由如何算出该用哪个专家？

基于分类器的领域路由的输入是冻结编码器的表示，输出是属于每个领域的概率。论文采用粗到细策略。粗粒度分类器先判断高层领域，例如成人与儿童或不同环境。凡是需要再分的粗域，再用对应的细粒度分类器输出子域得分。最终路由概率由粗细分类器输出组合得到。

两个分类器都是线性模型，作用在多层编码器表示的加权和上，再经归一化得到概率。加权和意味着不仅用顶层表示，还学习每一层权重以利用中间层信息。

基于分类器的领域路由 × 混合投影器： 基于分类器的领域路由负责根据编码器表示算出属于每个领域的概率并指导选择，混合投影器负责把声学表示映射为语言模型可读的语音嵌入，二者搭配的原因是路由需要显式监督才能可控可解释，而投影器正是声学差异最先体现的位置，组合后路由概率直接决定用哪个投影器，新增作用是让声学适配有明确的领域指向。

路由概率的使用分硬路由与软路由。硬路由取概率最大的专家，只用该专家输出。软路由按概率加权平均所有专家输出。论文在训练混合专家时用真实领域标签做硬路由，推理时才用分类器预测概率做硬或软路由。共享专家的投影器与低秩适配器是另一套参数，在同一冻结骨干上用多领域聚合数据训练。

粗到细分类 × 硬路由与软路由： 粗到细分类负责先分成人与儿童以及不同采集环境等大域，再对儿童域内分 4-7 岁与 8-10 岁与 11-15 岁等细域，硬路由与软路由负责把分类概率变成专家使用方式，二者搭配的原因是跨数据集差异大而相邻年龄差异小需要分层处理，组合后粗细分类相乘得到最终路由概率再做取最大或加权平均，新增作用是让细粒度年龄分类器专注于更难的子问题。

分类器训练复用冻结编码器，粗细分类各学一组多层加权组合。论文还比较了顶层嵌入单阶段、加权层单阶段与加权层粗到细 3 种路由设计，结论是加权层优于顶层，粗到细进一步改善 OGI 年龄组。跨数据集分类本身较准，难的是 OGI 内部年龄组，这与后文熵分布的观察一致。

熵感知与双侧专家如何处理边界模糊？

熵感知路由处理的是推理时路由不确定的问题。输入是路由概率，计算目标是归一化熵，取值在零到一之间，熵越大表示越不确定。论文用该熵值在领域专家路由输出与共享专家输出之间做插值。熵接近零时主要用领域专家，熵接近一时更多混入共享专家。这样做的安排理由是边界样本的声学本就重叠，硬选单一专家风险大，而共享专家在更大年龄范围数据上训练，能提供更稳的兜底。

熵感知路由 × 共享专家： 熵感知路由负责用路由概率的归一化熵度量当前选择有多不确定，共享专家负责提供一个在多领域聚合数据上训练的兜底投影器与适配器，二者搭配的原因是年龄边界附近的发音本就重叠而硬选一个专家容易错，组合后按熵值在领域专家输出与共享专家输出之间插值，新增作用是在不确定时平滑混合而不是强行二选一。

双侧专家的含义需要紧接说明。混合投影器处理声学映射，混合低秩适配器处理语言模型侧的语言与发音变异。论文把每个领域对应的 1 对投影器与低秩适配器看成该域专家。消融显示只保留一侧都会变差，且只用投影器优于只用低秩适配器，说明声学侧的领域适配更关键，但两侧互补。论文报告双侧专家相对骨干的参数增量约 5%，属于作者报告的开销口径，未报告延迟与显存实测。

混合低秩适配器 × 混合投影器： 混合投影器分工在编码器之后处理领域相关的声学映射，混合低秩适配器分工在语言模型解码器各层处理领域相关的语言与发音建模，二者搭配的原因是已有工作多只做其中一侧而儿童语音同时有声学与语言偏离，组合后同一领域对应 1 对投影器与低秩适配器，新增作用是同时覆盖两类变异且消融显示缺一侧都会变差。

本节的一个关键细节是熵感知只作用于 OGI 年龄组。论文明确因为细粒度年龄差异远小于跨数据集差异，且跨数据集分类已很准，所以把 OGI 内年龄区分作为评估熵感知的代表设置。熵只在 3 个年龄概率上计算，共享专家取在完整 OGI 训练集上训练的投影器与低秩适配器。这意味着熵感知不是对 5 个域全局重混合，而是针对最模糊的年龄子问题做局部兜底。

哪些参数训练，哪些冻结，监督从哪里来？

训练分两条线分别优化。第一条是混合专家语音大模型。编码器与大语言模型骨干冻结，只训练领域相关的投影器与低秩适配器专家。初始化时把预训练语音大模型的投影器与低秩适配器复制成 5 个专家，分别对应 MyST、OGI 3 个年龄组与成人域。训练时用真实领域标签做硬路由，即每条样本只更新其对应专家的梯度。

成人专家在微调中保持固定，这是原文明确的冻结安排。共享专家是另一套投影器与低秩适配器，在同一冻结骨干上用聚合后的多领域数据训练。

第二条是分类器路由。复用冻结编码器，学习粗细两组多层加权组合与线性分类器。训练数据是 MyST、OGI 与 LibriSpeech 干净训练子集。监督来源是数据集与年龄组标签，不是转写文本。论文未报告分类器优化器的完整超参数与训练轮数，这是复现时需要补看代码或按常规补齐的缺项，不从模型名称推定实现。

语音大模型微调的实验条件有明确记录。骨干是 Canary-Qwen，低秩适配器配置沿用该实现。硬件是单张英伟达 A6000，批量大小为 2 且梯度累积为 8，优化器为 AdamW，峰值学习率为 1 乘 10 的负 4 次方，余弦预热衰减，总步数为 60000 步且预热 500 步。推理时把分类器接入混合专家，按硬或软路由与熵感知策略生成转写。原文未给出推理延迟与吞吐实测，因此不能把参数增量小直接等同于延迟无影响。

数据、划分、基线与指标如何保证可比？

数据侧按原文交代。儿童用 MyST 与 OGI 自发部分，成人评估用 LibriSpeech 测试干净子集。MyST 是 8 到 10 岁儿童对话，OGI 自发部分是课堂回答并按 4 到 7 岁、8 到 10 岁、11 到 15 岁切成 3 组。两套儿童转写都保留不流利现象。分类器训练还用了 LibriSpeech 干净训练 100 小时子集。

5 个域的口径是数据集差异作粗域，OGI 内年龄作细域。原文表头或正文未发现互相冲突的划分描述，但 OGI 年龄切分依赖前人预处理，复现时应沿用同一预处理而不是自行重切。

基线分 3 类。第一是零样本 Canary-Qwen，不做任何微调。第二是单专家模型，只有一个投影器与一个低秩适配器，在全部数据上联合微调并冻结编码器与大模型。第三是香草路由混合专家，用可训练门控网络做 utterance 级选择，含联合训练、先预训练再联合、先预训练只训门控 3 种策略。上界包括单数据集微调与已发表最优结果，其中单数据集微调有只更新投影器与低秩适配器与连编码器一起更新两种设置，Libri 干净集因零样本已强而不做微调上界。

指标是词错率，越低越好。统计显著性在表中用星号标出，显著性水平为小于 0.05。论文还引用开放语音识别榜单最优作外部参照。需要区分百分点与相对百分比，词错率下降 1 个百分点与相对下降 1% 含义不同。数值相同也不能当成同一指标，必须同时核对数据集、基线、阶段与聚合对象，例如 OGI 平均与单年龄组不可混读。

统一模型是否同时保住儿童与成人？

为比较零样本、单专家与香草路由在多域上的权衡，下表整理 3 类基线与共享专家的原文数值，重点看儿童域改善与成人域保持。

表后解释需要同时说收益与代价。单专家在 OGI 上训练后 MyST 与 Libri 干净集相对零样本变差，说明单一参数难以平衡异构域。香草混合专家在部分域有改善但跨域不一致，论文将其归因于缺乏显式领域监督且路由训练数据有限，这属于有限解释而非因果证明。共享专家单独在 OGI 平均为 11.83% 且 3 组为 19.15% 与 10.57% 与 9.29%，本身并不强，但后文显示它作为插值项仍能带来增益。未胜出项是香草路由在 Libri 干净集上达到 2.37% 左右，差于零样本，说明盲目混合也会伤及成人域。论文未评测噪声与远场等新环境的边界，这是明确的未评测边界。

下图是 3 组领域分类器的混淆矩阵，阅读时先确认行是真实标签而列是预测标签，再看对角线。

看图路径： 1. 先按图例确认三行面板分别对应顶层特征单阶段与加权层单阶段与加权层粗到细；2. 再比较每块混淆矩阵对角线数值判断跨数据集与年龄组内分类难度差异；3. 重点观察 OGI-S 三个年龄组之间的互混如何随加权层与粗到细逐步减轻

论文图 2。原论文 Figure 2：“Confusion matrices of domain classification under 3 settings: (1) top-layer encoder representation (single-stage classification), (2) weighted-sum encoder representation…”。

从像素可见，三块面板自上而下分别是顶层单阶段、加权层单阶段、加权层粗到细。跨数据集部分 MyST 与 Libri 干净集对角线接近 0.99 到 1.00，分类很准。难的是左上 3 乘 3 年龄块。顶层单阶段在 OGI 4-7 岁对角线为 0.67 且有 0.23 误入 8-10 岁，8-10 岁对角线仅 0.52 且有 0.33 误入 11-15 岁。加权层单阶段把 4-7 岁提到 0.69、8-10 岁提到 0.67、11-15 岁提到 0.91。

粗到细进一步把 4-7 岁提到 0.71、8-10 岁提到 0.69、11-15 岁提到 0.94，且 MyST 与 Libri 干净集保持 1.00。这支持加权层利用中间层信息与细分类器聚焦年龄 subtle 差异的判断，但年龄组内仍有 20% 左右互混，这正是需要熵感知的原因。

分类器路由与熵感知各带来多少可部署增益？

为比较不同分类器与硬路由策略在多域上的差异，下面整理 4 组硬路由配置的量化结果，重点观察 OGI 平均变化与 MyST 保持情况。

表后解释要区分可部署与 oracle。真实标签路由平均为 11.33% 且 MyST 为 8.58%，属于不可部署的上界参照，不能当成收益。加权层粗到细硬路由在 OGI 平均为 11.32% 且 MyST 为 8.58%，已优于全部基线且不影响 Libri 干净集。软路由加熵感知进一步把 OGI 平均做到 11.08% 且 3 组为 17.64% 与 10.28% 与 8.62%，MyST 保持 8.58%。论文报告软路由加熵感知在 OGI 3 组均显著优于最强基线。

值得注意的是 4 到 7 岁组用预测概率加熵感知甚至优于用真实年龄标签，论文解释为发音特点不严格对齐 chronological 年龄，同龄儿童发育阶段不同，这属于有限解释。代价是熵感知只在 OGI 年龄内验证，未证明可直接推广到新数据集。

单数据集微调上界显示专用模型仍更高。编码器也更新的单数据集微调在 OGI 3 组可达 17.32% 与 10.45% 与 8.34%，MyST 专用为 8.34%，说明统一模型与专用模型仍有差距。已发表最优在 MyST 为 8.5% 而 Libri 为 1.4%，统一模型 MyST 为 8.58% 接近但未全面超越，因此结论应表述为统一且稳健而非全面最优。

拿掉一侧专家会怎样，熵分布支持了什么？

下面这张消融表要回答投影器与低秩适配器各自的贡献，比较在真实标签硬路由下只混合一侧与双侧同时混合的词错率表现，阅读时以首列的混合配置区分三行。

表后解释要给出具体代价与反例。双侧同时使用在五处评估中全面最优且显著，说明两侧互补。仅混合投影器优于仅混合低秩适配器，支持声学侧适配更关键的判断。但该消融用真实标签路由，属于控制变量而非可部署比较，实际预测路由下差距可能变化。未胜出项是仅混合低秩适配器在 4 到 7 岁组高达 20.91，说明只调语言侧不足以处理儿童声学偏离。成本上双侧专家增加约 5% 参数，论文未报告推理延迟，因此不能承诺延迟不变。

下图是 OGI 三年龄组细粒度路由概率的归一化熵分布，横轴是熵而纵轴是密度，阅读时不要把纵轴误读为词错率。

看图路径： 1. 先确认横轴是归一化熵而纵轴是密度并区分三个年龄子图；2. 再比较 11-15 岁在零附近的高峰与 4-7 岁和 8-10 岁更分散的分布；3. 结合熵越大越不确定的定义判断哪个年龄组更需要共享专家插值

论文图 3。原论文 Figure 3：“Distribution of normalized entropy of fine-grained routing probabilities for the three age groups in OGI-S.”。

从像素可见，底部 11 到 15 岁子图在零附近有一根高达约 24 的高峰，随后快速衰减，说明该组路由最确定。顶部 4 到 7 岁子图在零附近也有高峰但右侧拖尾很宽，在 0.4 到 0.7 之间仍有大量密度，说明不确定样本多。中部 8 到 10 岁子图分布更分散，在 0.2 与 0.4 与 0.6 附近都有隆起且在 0.62 附近有最高峰。这与论文文字一致，即年长儿童声学差距更大而年幼组更易混淆。像素不能精确读出每个柱的具体计数，因此解读只讲形状与相对集中程度。该分布支持熵感知对年幼组更重要的判断，但属于相关性支持而非因果证明。

哪些结论还不能下，缺了哪项验证？

首先区分 3 类表述。论文直接报告的是词错率数字与混淆矩阵对角线， finite 解释是对加权层利用中间层信息与发音发育不同步的讨论，未验证推测是未来可推广到更多域。缺失证据不是技术错误，但不能把相关性当因果。

明确限制有四点。第一是熵感知只在 OGI 3 个年龄概率上计算且共享专家只在完整 OGI 上训练，未验证跨数据集或新年龄切分下的行为。第二是分类器优化细节与门控基线的完整超参数未全部报告，复现香草路由时需谨慎对齐。第三是只报告词错率与显著性，未测量误判率、延迟、显存与输出帧率，不能承诺这些量改善。第四是成人评估只用干净测试集，未覆盖噪声与口音等成人难例，因此保住成人性能的结论只限于干净条件。

总体趋势不等于每组每步成立。例如软路由加熵感知平均最优，但在 11 到 15 岁组相对真实标签路由的优势很小。阅读时应逐组核对而不是只看平均。资源状态方面，本次未发现来源绑定且完成验证的代码与模型资源，因此不得声称代码或权重已公开，复现应先按论文文字重建流程。

要复现应先做什么，需要哪些超参数？

复现先做数据与划分对齐。准备 MyST、OGI 自发部分与 LibriSpeech 干净集，OGI 按 4 到 7 岁、8 到 10 岁、11 到 15 岁切分并沿用论文引用的预处理，转写保留不流利标记。分类器训练需 MyST、OGI 与干净训练 100 小时子集的领域标签。不要自行重切年龄边界，否则路由与熵分布不可比。

再搭骨干与专家。骨干用 Canary-Qwen 并冻结编码器与大语言模型，把投影器与低秩适配器复制成 5 套专家，成人专家保持固定。专家训练用真实标签硬路由，每样本只更新对应专家。另训一套共享投影器与共享低秩适配器，数据为完整 OGI 聚合。分类器复用冻结编码器，分别学粗细两组多层加权权重与线性层。

关键超参数按原文保留。单卡 A6000，批量 2 且梯度累积 8，AdamW，峰值学习率 1 乘 10 的负 4 次方，余弦预热衰减，预热 500 步共 60000 步。推理时先跑分类器得路由概率，硬路由取最大，软路由加权平均，熵感知只对 OGI 三年龄概率算归一化熵再与共享专家插值。评估用词错率并分年龄与数据集分别报告，再算 OGI 平均。还需补的验证是分类器学习率与早停、新域上的路由准确率与熵阈值行为，以及延迟与显存实测。

何时值得尝试这种做法，记住哪几条？

当任务同时包含差异大的粗域与易混的细域，且希望一个模型统一服务时，这种做法值得尝试。典型信号是单专家联合训练出现顾此失彼，香草门控路由不稳定，而按数据集与年龄能给出明确标签。此时用显式分类器路由先分大域再分细域，比让门控从零学路由更可控。

记住 3 条可操作经验。第一是双侧都要做，投影器管声学映射而低秩适配器管语言侧，只做一侧在年幼组损失大。第二是边界不要硬选，归一化熵提供不确定度量，共享专家提供兜底，软路由加熵感知在最模糊的 4 到 7 岁组改善最明显。第三是评估要分开看，跨数据集分类易而年龄组内难，平均下降不能掩盖单组行为，成人干净集必须同步报告以防隐性退化。

回到中心矛盾，统一模型的价值不在于单点超过专用微调，而在于用约 5% 参数增量同时装下多域且保持成人性能。若要继续推进，应补跨环境噪声测试、成人难例测试与推理开销实测，再验证熵感知在新域上的插值权重是否仍合理。

⚖️ 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