留下局部异常：用状态空间模型与双轴混合重学呼吸音分类

英文题目：Lung-SRAD: Spectral-Aware Regularized Audio DASS with Dual-Axis Patch-Mix Contrastive Learning for Respiratory Sound Classification

会议身份：conference:interspeech:2026:conference-paper-id:shridhar26_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：#医疗音频 #对比学习 #正则化 #状态空间模型 #音频分类

评分：7.0/10 | 创新 1.4/2 | 技术严谨 1.0/1.5 | 实验充分 0.9/1.5 | 清晰度 0.7/1 | 影响力 0.9/1.5 | 开源 1.0/1.5 | 可复现 0.3/0.5 | 工程/实践 0.8/1.5

排名：前50% | 文档类型：方法研究

👥 作者与机构

• Hemansh Shridhar：机构信息未能从会议 PDF 纯文本可靠映射
• Miika Toikkanen：机构信息未能从会议 PDF 纯文本可靠映射
• June-Woo Kim：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

呼吸音分类以肺部听诊Mel频谱为输入，输出正常、爆裂音、哮鸣音与混合四类标签，难点在于异常事件稀疏短促且易被正常呼吸主导模式淹没，临床漏诊风险较高。该文方法链分为三步：先用AudioSet蒸馏的音频状态空间模型提取多尺度时频特征以保留中高频空间变化，再对谱响应峰值过强的中层施加高斯卷积平滑以抑制过度局部敏感，最后沿时间轴与频率轴分别做连续块混合并施加不对称停止梯度对比损失以增强不变性。相比依赖全局自注意力与CLS汇聚的音频频谱Transformer，该机制用四向选择性扫描加全局池化替代单token瓶颈，从结构上避免低通滤波与注意力汇聚。在ICBHI基准下，Lung-SRAD的Score为64.48%，高于频率单轴混合的Score 63.18%。结论目前仅在该数据集与8秒标准化呼吸周期上验证，对跨设备、跨人群与长程连续监测的外推尚未证明。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/RSC-Toolkit/Lung-SRAD — 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，读完要能复述什么？

本文输入是官方原文证据与 3 张官方原图像素，目标是为刚进入语音与音频方向的研究生写一份可核对、可复述方法的技术解读。必须保留的信息包括任务定义、数据划分、模型结构、正则与对比学习的构造、训练条件、评价指标、关键数字与超参数选择，输出是一份按学习依赖展开的中文解读。读者读完应当能复述一个样本如何从 8 秒呼吸音变为语谱图，再进入分层状态空间骨干，经过选定层的平滑与双轴混合对比训练，最终得到分类分数。

呼吸音分类要解决的是从听诊录音中区分正常、爆裂音、哮鸣音以及两者并存。白话说，爆裂音是不连续的短促碎裂声，与肺实质病变相关，哮鸣音是持续的窄带哨声，常在时频图上呈现为细长条带。两类异常都具有短时、局部、稀疏的特点，并且与占主导的正常呼吸叠加出现。如果模型把整段录音平均成一个全局向量，局部起伏很容易被淹没。

因此学习顺序应当是先理解异常为何对应块间快速变化，再理解全局自注意为何倾向于平滑这种变化，再看状态空间扫描如何保留分布式表示，最后看论文为何还要回头压制一部分过强的高频响应。这个先放后收的思路是全文的核心矛盾。代码当前可用，已公开，地址为论文给出的仓库链接，本次解读不超出原文证据做效果承诺。

同输入同目标的已有路线走到了哪里？

在呼吸音分类中，近年高性能方法多以音频谱图 Transformer 作为特征提取骨干，相关变体包括听诊器引导的对比学习、跨域自适应、表示级增强以及切块混合对比学习。另一条路线是语言音频对比预训练与分层标记语义 Transformer，通过大规模音频文本对齐获得通用表示。原文表格还列出肺音适配器与病人感知特征对齐等工作，说明该领域同时关注参数高效微调与病人无关的泛化。

这些工作的共同输入是呼吸周期语谱图，共同目标是提高异常检出与正常识别的平衡分数，共同监督多为类别标签加对比或对齐损失。但原文指出，以分类标记为瓶颈的全局自注意存在值得注意的谱偏差，理论分析认为柔性最大化自注意在特征域可表现为低通滤波，逐层压制块间高频差异而保留低频全局结构。深层对分类标记的注意力集中还与注意力汇聚现象相关，可能鼓励模型依赖数据集特定的捷径线索。

与之对照，状态空间模型路线来自长序列建模与视觉状态空间模型。原文采用的蒸馏音频状态空间模型建立在视觉 Mamba 骨干上，用四向 2 维选择扫描处理时频图，并用音频集蒸馏权重初始化。教学例子是把语谱图看作一张图，Transformer 是一眼看全图再汇总一句话，状态空间模型是按 4 个方向逐行逐列走读并更新记忆，前者易抓大意丢细节，后者更易留下局部笔触，但也可能过于关注笔触而忽略构图。

为什么局部异常会被全局模型平滑掉？

问题可以拆成 3 步。第一步是信号形态，异常事件持续时间短，在 2 维语谱图上对应相邻块之间的快速变化。论文明确提醒，这里的高频不是语谱图纵轴的声学高低音，而是跨块表征变化率，类比图像分析中的纹理频率。正常呼吸能量强且连续，异常稀疏且与之共存，保留块间差异是关键。

第二步是架构偏差，音频谱图 Transformer 做全局自注意并只用分类标记做分类。按引用的傅里叶域分析，柔性最大化注意矩阵的谱响应集中在直流分量，中高频带幅值可忽略，深层表示趋于均匀。只有分类标记直接被优化，分布式块表示缺乏直接监督，容易形成信息瓶颈。

第 3 步是计算代价，自注意的时间与显存复杂度随序列长度平方增长，对长录音不友好。论文因此考察音频状态空间模型，既希望以线性扫描降低复杂度，也希望通过空间池化保留分布式表示，让分类器利用全图特征而非单一标记。

空间频率 × 声学频率： 空间频率指在特征图上相邻谱图块之间表征变化的快慢，分工是描述局部异常的锐利程度；声学频率指语谱图纵轴上的物理频率，分工是描述声音本身的高低音。二者搭配的原因是爆裂音与哮鸣音在语谱图上表现为跨块的快速起伏，类比图像中的高频纹理，组合意义是提醒读者论文所说保留中高频不是保留高音，而是保留块间差异。

理解这组概念后，才能正确阅读后文的谱响应曲线，横轴是归一化空间频率，纵轴是滤波器幅值，中央峰是全局结构，两侧凸起是局部变化。

Lung-SRAD 让一个样本走完哪条流水线？

沿一个样本走完全程有助于建立整体感。输入是一个被标准化为 8 秒、重采样到 16 千赫的呼吸周期，先转为梅尔语谱图，再做切块嵌入，得到频率轴与时间轴构成的 2 维网格。网格进入 4 阶段的分层状态空间骨干，每个阶段由 2 维状态空间块堆叠组成，阶段之间用块合并降低时频分辨率并增加通道数，最终阶段特征经全局池化送入线性分类器。

训练时流水线分叉为 3 条目标。第一条是常规的有监督交叉熵，用四分类标签驱动。第二条是时间轴切块混合对比，把连续时间段替换为同批次另一份样本的对应段，鼓励对时间扰动不变。第 3 条是频率轴切块混合对比，把连续频率带替换为另一份样本的对应带，鼓励对频谱扰动不变。三者相加构成总目标。

推理时只走主干加分类器，不再构造混合视图，不再计算对比损失。谱感知正则在训练与推理中都作用于中间激活，以深度可分离高斯平滑衰减过强的谱峰。复述时要记住顺序是先有骨干与初始化，再有选层平滑的位置选择，最后才有双轴混合的损失权重，颠倒顺序会误解消融表的增量含义。

状态空间骨干与谱分析看到什么才决定正则位置？

先用白话解释术语。状态空间模型是一种把输入序列经隐状态映射到输出的递推系统，由状态转移矩阵、输入投影与输出投影控制，离散化后可兼顾递推建模与卷积效率。2 维选择扫描是把 2 维特征图展开为行、列及其反向共 4 个方向序列，分别做选择性状态空间处理再合并回网格，使每个位置能整合多方向上下文，同时保持线性扫描特性。蒸馏音频状态空间模型是在此基础上用音频集上从音频谱图 Transformer 与分层标记语义 Transformer 集成蒸馏来的权重初始化，再在呼吸音上微调。

论文用谱响应曲线比较中间表示。对学习到的混合矩阵计算傅里叶域响应，统计每个频带的平均幅值，高频带响应低即表现为低通，会压制细粒度块间差异。分析显示音频谱图 Transformer 各层能量集中在直流，中高频可忽略，深层更均匀。状态空间模型则在多个中高频带保留显著幅值，且呈现阶段多样性，早期与晚期偏向低频全局上下文，中间阶段中高频响应更强。

状态空间模型 × 音频谱图 Transformer： 状态空间模型负责以线性复杂度的递推加卷积方式沿扫描路径累积上下文，保留分布式的时频表示；音频谱图 Transformer 负责以全局自注意把信息汇聚到单个分类标记做决策。二者搭配的原因是前者不易把相邻块差异全部平均掉，更适合稀疏短时异常，后者在全局建模上成熟但有低通倾向，组合意义是用状态空间骨干替代自注意骨干，再针对其扫描结构设计正则与对比学习。

以下导读针对第一张官方原图，它并排展示微调后两类模型的谱响应与注意力图，是选择正则位置的直接依据。

看图路径： 1. 先看左侧蓝色 DASS 各阶段谱响应在零频两侧是否还有明显旁瓣；2. 再看右侧红色 AST 各层谱响应是否只剩中央直流峰；3. 对比同行注意力图是对角线清晰还是整块均匀发亮；4. 重点观察第二阶段第 2 至第 4 块的中高频凸起位置

论文图 1。原论文 Figure 1：“Spectral filter responses and attention maps of fine-tuned DASS (blue) and AST (red) on the ICBHI dataset.”。

该图左侧蓝色为状态空间模型，右侧红色为音频谱图 Transformer。每行对应一个阶段块或层，奇数列为谱响应，偶数列为注意力或混合图。可见蓝色曲线中央直流峰之外，在两侧仍有清晰旁瓣，尤其第二阶段第 2 至第 4 块的旁瓣更高更宽。红色曲线则几乎只有中央峰，两侧接近基线。注意力图上，蓝色多呈现对角线结构，表明邻近交互仍被保留，红色则整块偏均匀，深层对特定标记的集中更明显。这支持论文只对第二阶段峰值过高的块做平滑，而不是全网平滑。

谱感知层正则 × 高斯卷积： 谱感知层正则负责决定在哪一层、以何种强度压制过强的中高空间频率分量，防止模型只看局部细节；高斯卷积负责以可分离的 1 维平滑核沿时间和频率两个空间轴做深度方向滤波，衰减谱峰但保留整体趋势。二者搭配的原因是分析发现仅中间阶段峰值过高，组合意义是有选择地只平滑第二阶段的第 2 与第 3 块，而不是全网均匀模糊。

需要强调，保留中高频是有代价的，过强局部变化可能使模型偏向细粒度模式而削弱全局上下文，这正是下一步高斯平滑要控制的 trade-off。

高斯平滑与双轴混合各自如何计算？

谱感知层正则的操作对象是中间激活图。论文定义 1 维高斯核，用核尺寸与标准差控制宽度，并做归一化，再沿高度与宽度分别做深度方向可分离卷积，得到低频版本。实验中只对第二阶段第 2 与第 3 块施加该操作。白话说，就是在特征图上做轻微模糊，把最尖锐的纹理压下去，但不改变整体结构。原文报告平滑后谱峰幅值下降而谐波结构保留，特异度提升而灵敏度基本保持。

双轴混合的构造同样具体。设批量语谱图经切块嵌入后具有频率高度、时间宽度与嵌入维度，随机置换批量索引作为 donor。时间混合替换连续时间段，段宽由混合比决定，混合比从对称贝塔分布采样，保持频率方向状态连续而正则时间方向状态转移。频率混合替换连续频率带，带高同样由混合比决定，保持时间连续而扰动谱维。论文强调不做展平后的随机散点替换，以对齐多向扫描。

对比学习采用非对称梯度策略。骨干与 768 维投影头对原图正常求梯度，对混合图做止梯度，再归一化为单位嵌入。每个轴的切块混合 InfoNCE 损失用温度缩放的余弦相似度，以混合比加权原配对与 donor 配对的指数项，分母遍历批量内所有混合视图。温度、混合比分布与止梯度共同决定了扰动强度与优化路径，原文未报告投影头是否在推理时保留，但推理分类不依赖对比分支是明确的。

双轴切块混合 × 对比学习： 双轴切块混合负责沿时间连续段或频率连续带替换另一份样本的内容，构造保持正交轴上状态连续的扰动视图；对比学习负责把原图嵌入拉近混合视图，同时推开 batch 内其他混合视图，学习对扰动不变的表示。二者搭配的原因是状态空间模型的四向扫描依赖顺序，直接打散小块会破坏状态演化，组合意义是只做轴对齐的连续替换，并用非对称止梯度保护骨干的预训练结构。

以下导读针对第二张官方原图，它直接展示基线与平滑后在同一块上的谱差异。

看图路径： 1. 对比左右两子图中蓝色基线峰顶与红色平滑后峰顶的高低；2. 观察中央零频峰两侧谐波小峰是否仍然对齐存在；3. 注意纵轴量级与横轴归一化频率范围是否两图一致

论文图 2。原论文 Figure 2：“Spectral responses for DASS baseline (blue) and DASS with Gaussian smoothing (red) for Stage 2 Blocks 2–3.”。

该图左右分别为第二阶段第 2 块与第 3 块，横轴为频率，纵轴为幅值，蓝色为基线，红色为高斯平滑后。可见红色中央峰顶明显低于蓝色，两侧小峰与边缘峰也同步下降，但峰的位置与相对起伏仍然对齐，没有出现峰消失或整体塌缩。这对应正文所说衰减主导谱峰而保留谐波结构的判断，也解释了为何特异度改善而灵敏度未明显受损。若把平滑强度调得过大，后文超参数分析显示分数会回落，说明此处是适度正则而非越模糊越好。

训练、增强与优化路径如何安排？

训练细节按原文交代。所有呼吸周期统一为 8 秒并重采样到 16 千赫，谱增强只用时间与频率掩蔽，最大掩蔽长度分别为 160 帧与 48 频带，不做时间弯曲。优化器用 Adam，学习率取 0.00005，批量大小为 16，结果报告为 5 个随机种子的均值。这种设置使增强强度适中，既增加多样性又不破坏短时异常的连续性。

监督来源有三部分。有监督交叉熵来自四分类标签，时间对比损失来自时间混合视图，频率对比损失来自频率混合视图，总目标为三者直接相加，原文未报告额外的权重系数，复述时不应自行添加加权超参数。梯度路径方面，原图分支可更新骨干与投影头，混合分支经止梯度不直接更新骨干，目的是让投影空间对轴对齐扰动不变，同时防止失真信号破坏结构化状态动力学。

参数状态方面，骨干用音频集蒸馏权重初始化后微调，投影头从头训练。原文未明确说明是否冻结骨干浅层、是否分层学习率、对比损失何时 warm-up，这些缺项在复现时应如实记录为未报告，不从模型名称推定实现。需要区分的是，止梯度只阻断混合视图到骨干的梯度，原图到骨干的梯度仍然存在，因此骨干仍会被对比目标间接塑造，只是不会被失真视图直接拖动。

数据、划分与指标如何保证可比？

数据采用 ICBHI 数据集，共 5.5 小时录音与 6898 个呼吸周期，包含正常、爆裂音、哮鸣音与两者并存 4 类。划分遵循官方 60% 训练与 40% 测试，且病人不重叠，训练 4142 个周期，测试 2756 个周期。这种病人无关划分比随机切分更严格，能更好反映跨被试泛化。

评价采用灵敏度、特异度与二者平均的 ICBHI 分数。灵敏度衡量对异常的检出，特异度衡量对正常的识别，分数为二者平均。方向都是越高越好，但二者常有 trade-off，提高一方可能降低另一方，因此必须同时报告，不能只看总分。

灵敏度 × 特异度： 灵敏度负责衡量对异常呼吸音的检出能力，异常包括爆裂音、哮鸣音与两者并存；特异度负责衡量对正常呼吸音的识别正确率。二者搭配的原因是数据中正常呼吸占主导，单看准确率会被多数类掩盖，组合意义是以二者平均值作为 ICBHI 分数，迫使方法同时兼顾少见异常与多数正常。

比较条件方面，主结果同时报告 4 分类与 2 分类。2 分类结果由 4 分类训练权重直接导出，正常与异常 2 分，因此特异度与 4 分类相同，灵敏度按正常与异常重新统计。复述时要说明数值相同不是同一指标的证据，4 分类分数与 2 分类分数不可直接比较。预训练数据也需注明，状态空间模型用音频集蒸馏权重，对照的 Transformer 基线多用 ImageNet 加音频集，语言音频对照用大规模音频文本对，预训练语料不同是重要的适用条件。

主结果测什么，在什么条件下比谁高多少？

主结果要回答 3 个问题。第一是微调起点是否可用，蒸馏状态空间模型经简单微调达到 61.06% 的 4 分类分数，说明该骨干在呼吸音上是可训练的起点。第二是谱感知正则是否有效，在选定中间层加高斯卷积后分数到 62.22%，主要来自特异度从 74.68% 到 76.72%，灵敏度从 47.43% 到 47.72% 基本保持，支持其减少误报的解释。第三是完整方法是否进一步提升，加入双轴混合对比后达到 64.48%，超出音频谱图 Transformer 基线约 5 个百分点。2 分类下完整方法达到 72.57%，超过表格中此前报告的 2 分类最优。

以下比较问题是完整方法相对微调与正则基线是否同时改善灵敏度与特异度，公平条件是同一数据集、同一病人无关划分与同一指标定义，指标方向均为越高越好。

表后解释需要同时看到收益与代价。主要收益是特异度与灵敏度同时提升，完整方法相对正则基线特异度继续上升且灵敏度增加约 1.7 个百分点，表明双轴混合不只是压制误报，还改善了异常检出。具体代价是方法引入更多超参数与额外前向计算，混合视图的构造与对比损失增加训练开销。未胜出项是早期的 Transformer 微调基线分数较低，但其预训练语料与初始化不同，不能简单归因于架构单一因素。未评测边界包括不同录音设备与噪声条件下的稳定性，原文未提供延迟与显存实测，因此不能承诺推理更快。

去掉一轴或换成散点混合会发生什么？

消融要验证正则与混合各自的贡献。起点是微调分数从 61.06% 到 62.22%，主要改善特异度，与谱分析中中间层高频过强的观察一致。在此基础上，论文比较了音频谱图 Transformer 风格的散点混合、仅频率混合、仅时间混合与双轴联合。散点混合仅小幅提升，频率单轴与时间单轴分别到 63.18% 与 62.83%，双轴联合达到 64.48%，支持联合两轴提供更强正则的判断。这与状态空间扫描依赖顺序的动机吻合，轴对齐连续替换比打散小块更适配。

以下比较问题是单轴与双轴在相同正则起点下谁更有效，公平条件是都基于谱感知正则，指标仍为灵敏度、特异度与平均分。

表后解释要指出反例与细节。散点混合虽然灵敏度达到 50.46% 为四者最高，但特异度回落到 74.39%，总分最低，说明无结构扰动可能以增加误报为代价换取检出。频率单轴与时间单轴各有侧重，双轴联合在特异度上优势最明显，达到 79.53%，且方差更小。限制是消融只在 4 分类上展开，双轴在 2 分类上的增量是否同比例成立需要另行验证。

以下导读针对第 3 张官方原图，它展示 4 个超参数的敏感性，是复现时调参顺序的依据。

看图路径： 1. 先看左上温度曲线在 0.01 处低点与 0.20 处高点的走向；2. 再看右上核尺寸与左下高斯标准差的峰值位置；3. 最后看右下阶段索引中第 2 阶段是否为唯一明显高点

论文图 3。原论文 Figure 3：“3”。

该图为 2 行 2 列折线，纵轴均为分数，横轴分别为温度、核尺寸、高斯标准差与施加阶段。左上温度曲线从 0.01 的低点快速爬升，在 0.06 后趋平并在 0.20 达到最高，灰色高亮标出最优。右上核尺寸在 5 处最高，增大到 9 与 11 后回落。左下标准差在 3 处最高，两侧均下降。右下阶段索引在第 2 阶段明显高于第 0、1、3 个阶段，与第一张图中第二阶段高频最强的观察一致。这支持先定阶段再定核参数、最后调温度的复现顺序，温度过低会导致大跌是需要避开的失败条件。

哪些结论有直接支持，哪些还只是推测？

直接报告的是分数与谱曲线的对应关系。论文显示状态空间模型保留更多中高空间频率，选层平滑衰减谱峰，完整方法在官方划分上达到 4 分类 64.48% 与 2 分类 72.57%，这些有表格与曲线支持。有限解释是把特异度提升归因于误报减少，把双轴优于单轴归因于扫描连续性，这些有消融支持但仍是相关性解释，不能直接断言因果。

未验证推测需要明确标出。原文未测量训练时长、推理延迟、显存占用与输出帧率，因此不能承诺总体更高效，线性复杂度的理论优势不等于实测更快。未报告统计显著性检验与置信区间，只报告 5 种子均值与标准差，跨种子方差在部分设置下较大，解读小幅差异时应谨慎。数据方面只用 ICBHI 单一基准，未评测跨设备、跨人群与强噪声下的表现，也未分析对爆裂音与哮鸣音两类异常各自的误判率。

另一个常见误解是把空间频率当作声学频率。保留中高频不意味着模型更关注高音哮鸣，而是指保留块间差异。若据此认为该方法天然适合所有细粒度音频任务，属于过度推广，待在其他数据集上验证。表格中预训练语料不同也限制了架构胜负的归因，蒸馏权重本身可能带来增益。

要复现应当先做什么，需要哪些信息条件？

复现的第一步是准备数据与划分。按官方 60% 训练与 40% 测试且病人不重叠切分，统一为 8 秒与 16 千赫，记录 4142 与 2756 的周期数是否一致。指标实现要与官方协议对齐，分别计算异常检出与正常识别再平均，2 分类用 4 分类权重导出时保持特异度一致，单独重训 2 分类会破坏可比性。

第二步是恢复模型与训练条件。用音频集蒸馏的状态空间权重初始化分层骨干，优化器用 Adam，学习率 0.00005，批量 16，谱增强只做时间与频率掩蔽而不做时间弯曲。先跑通微调基线，核对 61.06% 附近的起点，再加入第二阶段第 2 与第 3 块的高斯平滑，核尺寸取 5，标准差取 3，核对 62.22% 附近的中间点。

第 3 步是加入双轴混合对比。混合比从参数为 1.0 的对称贝塔分布采样，温度取 0.20，投影维度为 768，混合分支止梯度，总损失为三项直接相加。调参时优先固定阶段为第 2 个阶段，再小范围尝试核与标准差，最后确认温度，避开 0.01 附近的大跌区。代码当前可用，已公开，但权重下载与运行环境需按仓库说明核对，本次解读未验证仓库内文件是否完整，复现前应先确认可达性与版本一致性。

何时值得尝试这种组合，还需补哪项验证？

当任务具有短时局部异常与全局背景叠加的特点，且基线全局模型出现漏检或谱分析显示深层表示过度均匀时，值得尝试状态空间骨干加选层平滑的思路。当增强需要破坏局部连续性才能提升鲁棒性，但随机打散又导致训练不稳时，值得尝试轴对齐的连续混合与止梯度对比。反之，若任务依赖长时全局语义而非局部纹理，或数据量极小难以支撑对比学习，则应谨慎评估额外超参数的代价。

还需补的验证包括跨数据集的泛化、按异常类型的细粒度误判分析、不同预训练语料下的公平对照，以及训练与推理开销的实测。只有补齐这些，才能判断分数增益中有多少来自架构，有多少来自蒸馏初始化与正则设计。对于刚入门的研究生，建议把复述重点放在空间频率的定义、选层依据、混合连续性的动机与三项损失的梯度路径上，这四点是区分理解与背诵的关键。

⚖️ 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