不用标签也能学空间：用声学软相似把双耳表示排成物理几何

英文题目：Learning Self-Supervised Spatial Representations via Soft Acoustic Contrastive Alignment

会议身份：conference:interspeech:2026:conference-paper-id:silverman26_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：#对比学习 #自监督学习 #多通道 #空间音频信号 #声源定位

评分：6.4/10 | 创新 1.3/2 | 技术严谨 1.1/1.5 | 实验充分 1.0/1.5 | 清晰度 1.0/1 | 影响力 0.9/1.5 | 开源 0.0/1.5 | 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

• Yotam Silverman：机构信息未能从会议 PDF 纯文本可靠映射
• Bracha Laufer-Goldshtein：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

输入为双耳混响语音的双通道短时傅里叶变换（Short-Time Fourier Transform，STFT），输出为到达时间差（Time Difference of Arrival，TDOA）、混响时间（T60）、直达混响比（Direct-to-Reverberant Ratio，DRR）、清晰度指数（C50）和平均吸声系数（ABS）等空间声学参数，难点在于无标注时单通道语义型自监督目标会压制精细通道间线索。该方法先用双流多通道Conformer（Multi-Channel Conformer，MC-Conformer）分别编码空间与频谱分支并经共享解码器做掩码重建，为解耦表征提供可重建的联合潜空间。接着从输入波形解析估计TDOA、互相关峰值与低中高三段相干幅度组成5维声学向量，经全局统计归一化后以高斯核将声学欧氏距离转为软相似权重。然后用该软权重监督空间投影头的温度锐化余弦相似，使潜相似逼近物理相似，从而把方向性与扩散度几何直接写入潜空间并与重建损失联合优化。与跨通道信号重建（Cross-Channel Signal Reconstruction，CCSR）基线相比，该设计解耦度量学习与信号恢复且不依赖增强构造正样本、无需干净语音与房间标签。在未见房间线性评测协议下，CCSR+LSAC的TDOA平均绝对误差指标为1.06样本，低于CCSR基线的TDOA平均绝对误差指标1.88样本。结论限于模拟房间与中高信噪比，真实混响、低信噪比与移动声源尚未验证。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，要输出什么，哪些信息必须保留？

这篇论文处理的是双耳录音的盲空间参数估计。输入是两个麦克风录到的含混响语音，论文把每个样本的短时傅里叶变换的实部与虚部按通道拼接成 4 通道张量，记为实部虚部分别来自两个通道的表示。目标是从这段录音直接估计房间与位置参数，包括到达时间差、混响时间、直接混响比、清晰度指数与平均吸声系数。初学者容易把这件事理解成一般的语音表示学习，但关键差别在于必须保留的信息不同。

一般语音自监督希望把混响和通道差异当作干扰去掉，保留语义内容，而这里恰恰要保留通道间细微差异，因为方向体现在左右时间差上，混响体现在相干性下降与能量拖尾上。如果预训练只做内容重建或语义判别，模型可能学会忽略这些空间线索。论文因此提出在预训练目标里直接写入空间先验，让编码器的几何距离反映声学相似。输出在预训练阶段是重建信号与对齐后的隐向量，在下游阶段是接在空间编码器后的预测头给出的参数估计值。

理解后续所有设计，都要回到这条线：输入是双通道复谱拼接，目标是保住方向与混响，输出是可用于回归的空间嵌入。

已有路线为什么不够用？

论文把相关工作分成监督盲估计与自监督两条线。监督盲估计直接从录音回归参数，常用卷积循环网络做定位，或用监督对比学习编码声学参数与联合房间脉冲响应嵌入。这类方法依赖大量精确空间标注，而真实房间脉冲响应采集具有侵入性，标注房间尺寸、混响时间与声源位置成本很高，因此难以泛化到多样真实条件。

自监督一侧，生成式与判别式框架预测被掩码的声学内容，对比与自举方法让增强视图达成一致，但原文指出这些模型多为单通道设计，目标偏向频谱与语义，会把混响与通道差异当作需要不变的干扰。近期有多通道尝试：有人用通道交换与时间拉伸做对比增强，有人提出空间 HuBERT 与特征蒸馏，有人提出跨通道信号重建学习通道依赖。

论文对这些工作的判断是：增强可能破坏精细空间线索，蒸馏常需要干净孤立语音，重建本身是隐式学习，未必把物理房间属性分离出来。也就是说，同输入都是多通道语音，同目标都是空间参数，但监督条件与运行阶段不同，不能把单通道语义表示的成功直接搬过来。

混响时间 × 直接混响比： 混响时间描述房间能量衰减快慢的全局房间属性，直接混响比描述直达声与混响能量相对强弱的位置相关属性，二者分工是分别刻画房间本身与声源位置的影响，搭配理由是盲估计都需要从同一段双耳语音中分离，二者组合检验表示是否同时编码全局混响与局部直达性。

论文要补的位置正是无标签、无孤立源信号、无房间与位置元数据条件下，用完全从输入信号算出的解析声学特征作为软目标，把隐空间组织成可回归的几何。

任务与数据划分如何定义？

论文把问题形式化为标注稀缺下的估计。设单个静态声源被双麦克风在混响环境中记录，频域模型为每个麦克风的接收谱等于声学传递函数乘以源谱再加噪声谱。数据集分成两个不相交子集：用于预训练的大规模无标注集与用于下游训练的小规模有标注集，前者规模远大于后者，有标注样本带有目标参数向量。预训练不使用任何真值标签、孤立源信号或房间属性元数据，只用从输入信号本身提取的声学特征做对齐。

下游在少量标注房间上训练预测头，测试房间与预训练和训练房间都不重叠，用来检验泛化。评估任务固定为 5 个参数：到达时间差、混响时间、直接混响比、清晰度指数与平均吸声系数，指标是估计值与真值的平均绝对误差。初学者要注意，这里的到达时间差是白话的方向线索，即声音到达左右麦克风的时间差；混响时间是白话的房间拖尾长度；直接混响比是白话的直达声相对混响有多强。

清晰度与吸声系数是相关的房间声学量。问题难度在于同一段语音同时承载内容、方向与混响，模型必须在没有标签时就把后两者排好。

双流结构如何走完一个样本？

先沿一个样本走完全程。输入是 4 通道时频张量，同时送入并行的空间编码器与频谱编码器。空间编码器由 3 个 Conformer 块组成，输出空间嵌入；频谱编码器由一个 Conformer 块组成，输出频谱嵌入。两者拼接后送入共享解码器，输出重建信号，用均方误差对输入计算重建损失。

为了迫使两路分工，论文沿用跨通道重建的掩码策略：在第一通道随机掩盖一些时间帧，对空间编码器在第二通道掩盖相同帧，迫使它利用通道间差异恢复；对频谱编码器在第二通道施加反掩码，鼓励它依赖全局频谱上下文。重建损失只在第一通道被掩盖的帧上计算。与此同时，空间编码器的输出还经过一个并行投影头，映射为归一化隐向量，专门用于几何对齐，把度量学习与信号重建解耦。

下游阶段去掉频谱编码器、投影头与解码器，只保留预训练的空间编码器并接上线性预测头，输出空间参数估计。以下导读对应预训练与下游 2 阶段的模块连接，左侧是对比与重建如何分流，右侧是下游如何裁剪复用。

本段导读覆盖左半预训练与右半下游的对应关系，左侧红色损失分别为对比与重建，中间黄色为投影头与解码器，底部蓝色为两个编码器，右侧为只保留空间编码器的预测结构，请按输入到输出的箭头顺序阅读。

看图路径： 1. 先从底部输入 Xi 向上追踪到空间编码器与频谱编码器两条蓝色梯形分支；2. 再看中间拼接模块如何把两路表示送入黄色解码器得到重建输出；3. 对比左侧特征提取归一化模块如何把 Xi 与 Xj 的声学特征送入红色对比损失；4. 最后看右侧虚线下游结构只保留空间编码器加预测头输出参数估计

论文图 1。原论文 Figure 1：“Proposed model for spatial representation learning.”。

从像素可见，底部输入样本向上分叉到两个蓝色梯形编码器，中间灰色拼接模块把两路汇合送入黄色解码器并向上输出重建信号再接入红色重建损失；左侧灰色特征提取归一化模块把本样本与同批另一批样本的声学特征送入顶部红色对比损失，同时投影头输出的隐向量也向上接入同一对比损失；右侧虚线下游只有单路空间编码器加预测头，自下而上输出参数估计。这种画法把重建路径与对比路径画成并行，含义是编码器同时受两类梯度影响，但投影头隔离了对比梯度对重建主干的直接形状约束，下游裁剪则说明频谱分支只是预训练辅助。

空间与频谱分支各自分工什么？

空间分支与频谱分支的搭配是理解掩码的关键。空间编码器维度较小但更深，频谱编码器维度较大但只有一层，所有 Conformer 层都用 4 个注意力头、卷积核尺寸三十一与扩展因子四。投影头由线性层、批归一化、激活与最终线性投影组成，把空间嵌入映射到 128 维。解码器把拼接表示还原为输入谱。训练时第一通道 50% 的帧被掩盖，空间分支看不到对应帧的双通道信息，只能从剩余通道差异推断。

频谱分支看到互补信息，只能从内容连续性推断。这种设计不是为了提升重建保真度本身，而是为了让重建误差的梯度把空间信息压入空间编码器。初学者可以做一个教学例子：假设某句话在某几帧被遮住，频谱分支靠前后语音内容猜出大概发什么音，空间分支靠左右残留差异猜出声源方向与混响程度，两者合起来才能完整恢复被遮挡的复谱。该例子不涉及具体数值，仅说明分工。

空间编码器 × 频谱编码器： 空间编码器负责从双通道差异中提取方向与扩散性相关的几何线索，频谱编码器负责从全局内容中恢复语音频谱以支撑重建，二者搭配的理由是用互补掩码迫使重建任务分离空间与内容，组合意义是下游只保留空间编码器从而避免内容干扰空间参数估计。

这种分离为后续对比约束提供干净对象：对比只作用于空间分支的投影向量，不直接约束频谱分支，从而避免把内容相似误当成空间相似。

软声学对比如何把物理相似变成隐空间距离？

标准对比需要显式正负样本，但在无标注集里没有房间与位置元数据分组，用增强构造正样本又可能损坏空间线索。论文的办法是不构造视图，而是用解析声学特征定义连续权重。白话是：先用传统信号处理从每段录音算出 5 个声学数，再看任意两个样本在这 5 个数组成的向量上距离多近，越近就越希望它们的隐向量余弦相似度越高。计算分 3 步。第一步算隐空间相似度，把投影向量做归一化后做温度缩放的点积。

第二步算声学相似权重，用高斯核把特征向量欧氏距离映射到零到一之间，带宽参数控制几何约束的严格程度，越小越强调精细区分，越大越平滑。第 3 步对每个锚样本计算加权对比损失，即按声学权重加权的对数归一化相似度，再在批量内平均得到软声学对比损失。总目标是重建损失加权对比损失，论文经验取权重为一，使两者稳定收敛。需要强调的是，原文明确说该目标的操作不需要真值标签、孤立源或房间元数据，对齐用的声学特征完全从输入信号导出。

跨通道信号重建 × 软声学对比损失： 跨通道信号重建通过掩码恢复被遮挡时频帧来学习通道间依赖，软声学对比损失通过声学特征距离定义连续相似度来约束隐空间几何，二者搭配的理由是重建提供通用表示而对比提供物理排序，组合意义是把信号恢复与度量学习解耦，使隐空间距离直接对应声学相似。

初学者应区分原始目标与实现：原始目标是让隐几何匹配物理几何，近似是用批量内归一化与高斯核实现连续加权，优化步骤是与重建联合最小化。原文没有给出对比分支对编码器之外的梯度截断细节之外的额外说明，不应猜测停止梯度的具体位置。

五个声学特征具体怎么算？

声学特征向量由 5 个标量组成：到达时间差估计、互相关峰值幅度、低频相干、中频相干与高频相干。白话是：前两者管方向及其可靠程度，后三者管声场扩散程度。到达时间差用相位变换广义互相关估计，先在时间上平均归一化互功率谱，再做逆离散傅里叶变换得到互相关函数，取峰值所在时延除以采样率即为估计值。峰值幅度取同一函数的最大值，混响越重、相干漫射比越低，峰值越低，因此它与直接混响比相关。

相干特征先在整段时长上平均自功率谱与互功率谱，再做归一化互谱幅度得到频率相关的相干函数，然后在 3 个频带内平均：低频低于 500 赫兹，中频 500 到 2500 赫兹，高频高于 2500 赫兹。这种多频带分解对应双耳线索与房间混响的频率依赖性。最后每个特征用全局数据集的均值与标准差归一化，减均值除以 3 倍标准差并截断到负一到一之间，以保证各维度对距离的贡献均衡。

到达时间差 × 广义互相关峰值： 到达时间差用相位变换互相关的峰值位置估计声源方向，广义互相关峰值用同一函数的峰值幅度表征估计可靠性和直达混响比，二者分工是一个给方向数值一个给可信度，搭配理由是同一次互相关计算同时产出二者，组合意义是为对比权重同时提供方向轴与混响轴。

这样构造的特征向量不需要任何外部标注，完全可重放：给定同一段双耳波形，按相同短时傅里叶参数与频带划分即可算出相同向量，再经相同归一化得到对比权重。

预训练与下游训练的条件是什么？

预训练与下游训练的条件在原文中有明确分工。输入音频重采样到 16 kHz 并截为固定 4 秒，用 32 毫秒汉宁窗、16 毫秒帧移计算短时傅里叶变换，得到 256 个频点与 256 帧，输入谱按参考麦克风平均幅度归一化。模型约 17600000 参数，在单块显卡上预训练约四点 5 个小时，每个下游任务微调约 3 小时。

预训练训练 30 轮，批量一百二十八，用初始学习率千分之一的余弦衰减策略，温度取 0.15，高斯带宽取 1.0，掩码率取 50%，这些取值按下游验证集性能选择。下游用批量八与自适应优化器，在验证数据上搜索最优学习率，验证平稳 10 轮后衰减 10 倍，选验证最优轮与其前 4 轮的检查点集成得到最终模型。下游分两种协议：线性评估冻结预训练编码器，完全微调放开适配。原文明确做了 4 次不同随机种子的独立下游训练并报告平均性能。

未报告的缺项是：下游学习率搜索的具体候选网格、衰减前的初始值、集成是权重平均还是预测平均，这些在原文中没有给出，不应从模型名称推定。资源状态方面，论文正文脚注给出代码仓库链接，但本次没有收到来源绑定且完成安全验证的资源证据，因此不能写代码已公开或可运行，只能说原文声明了仓库地址而本次未能确认可达。

数据如何仿真，房间如何不重叠？

实验按标准自监督流程组织：先在大规模无标注数据上预训练，再在小规模有标注集上微调估计空间参数。数据用华尔街日报干净语音与仿真房间脉冲响应卷积构造。房间尺寸从三米乘三米乘 2.5 米到十五米乘十米乘六米均匀采样，混响时间从 0.2 秒到 1.0 秒抽取。接收端建模为双通道阵列，麦克风间距三厘米到二十厘米，位置在房间体积的 20% 到 80% 范围内按比例放置。声源随机放置，与阵列和所有墙面至少保持三十厘米距离。

加入空间扩散白噪声，信噪比从 15 分贝到 30 分贝采样。预训练集 50000 条训练样本，验证与测试各 4000 条，测试仅用于可视化。下游训练、验证与测试分别用 8 个、20 个与 20 个房间配置，每个房间分别采样一百、五十与 200 条语音构成对应划分。关键公平条件是房间配置在三划分之间不重叠，且与预训练数据完全分离。评估在未见测试房间上进行，指标为平均绝对误差，误差越小越好。

下游重复 4 次不同种子取平均。这种构造的优点是可控且能检验跨房间泛化，代价是全部为仿真混响与加性扩散噪声，没有真实房间验证，这是后文限制的来源。

主结果在冻结与微调下分别说明什么？

论文同时报告冻结编码器的线性评估与放开编码器的完全微调。比较对象包括跨通道重建基线、仅用软对比的变体、用普通无掩码自编码器加软对比的变体、两者结合的跨通道重建加软对比，以及从零开始训练的无预训练基线。指标方向一致：5 个任务的平均绝对误差越低越好。总体报告显示，加入软声学对比在两种协议下多数超过纯重建基线，结合掩码重建的版本在线性评估下提升最明显，说明表示本身的几何质量改善最大。

以下第一张表整理线性评估下基线与最强结合版本的关键数字，列覆盖 5 个任务以满足宽表比较，单位按原表头保留，数据格为裸值加离散度。第二张表整理完全微调下的对应数字，包含无预训练对照以判断预训练是否必要。

线性评估要回答的问题是：在编码器冻结、只学预测头的公平条件下，软对比是否让表示本身更适合回归，指标为 5 个任务的平均绝对误差，误差越低越好。

表后解释需要同时讲收益与代价。线性评估下结合版本在方向、混响时间、直接混响比与清晰度上都低于基线，方向误差从约 1.88 降到约 1.06，混响时间从约 0.174 降到约 0.113，直接混响比从约 2.67 降到约 1.86，清晰度从约 1.63 降到约 0.998，吸声系数从约 0.075 降到约 0.067。这支持软对比改善了冻结表示的几何排序。

但原文也报告仅用软对比与普通自编码器加软对比的中间结果，说明掩码重建仍有贡献，不能把全部增益归于对比一项。未胜出项在后文微调表中更明显，这里先指出吸声系数的改善幅度相对最小，因为它更偏频谱属性而非几何。

线性评估 × 完全微调： 线性评估冻结预训练编码器只训练预测头以检验表示本身的质量，完全微调放开编码器与预测头以检验最大适配能力，二者搭配的理由是区分表示好坏与适配好坏，组合意义是同时报告才能判断增益来自预训练几何还是来自下游拟合。

完全微调要回答的问题是：在允许编码器适配的最大能力下，结合版本是否仍保持优势，以及无预训练基线差距多大，指标与方向与上表一致。

表后解释要强调反例。微调下结合版本在方向、混响时间、直接混响比与清晰度上仍为最低，方向从基线约 0.404 降到约 0.288，混响时间从约 0.083 降到约 0.075。但吸声系数上无预训练基线约 0.063 反而低于结合版本的约 0.066 与基线的约 0.079，这是明确的未胜出项。论文的有限解释是吸声系数是更简单的频谱属性，对几何正则的依赖较弱。该反例提醒总体趋势不等于每组都成立，也说明自监督预训练对复杂声场参数最关键，对简单谱属性未必有收益。

本段导读对应预训练测试集上空间嵌入的降维可视化，上行为纯重建基线，下行为结合软对比的方法，列分别为方向、混响时间与直接混响比，颜色为对应参数真值，请先按行看整体混杂再按列看排序。

看图路径： 1. 先按行对比上行基线与下行本方法的整体颜色混杂程度；2. 再聚焦左列到达时间差从杂乱到上下渐变的平滑排序变化；3. 观察中列混响时间与右列直接混响比是否仍有较多局部混叠

论文图 2。原论文 Figure 2：“t-SNE plots of spatial embeddings (espat(X)) on the pre-training test set, prior to downstream fine-tuning.”。

从像素可见，上行三幅点的颜色混杂破碎，左列方向的紫黄两端交错分布；下行左列呈现从底部深紫到顶部亮黄的平滑上下渐变，说明方向轴被排成连续流形。中列混响时间与右列直接混响比在下行仍有较多局部混叠，但相比上行局部方差减小、色块更连贯。原文把这种差异归因于所选特征与方向的连接更直接，而与混响时间、直接混响比的连接较松。该图支持主表的判断：几何正则对方向改善最清晰，对混响类参数是部分改善而非完全分离，且可视化只在预训练测试集、微调前给出，不能推广为下游回归后的分布。

哪些对照能分离掩码与对比各自的作用？

论文的变体设计可以看作 1 次分离。基线是跨通道掩码重建，对照包括仅用软对比、普通无掩码自编码器加软对比、跨通道掩码重建加软对比。原文报告的趋势是：独立软对比已低于重建基线，说明对比本身带来增益；但跨通道加软对比几乎总是优于普通自编码器加软对比，尤其在线性评估下，说明掩码增强了鲁棒性。换句话说，重建负责提供通用恢复能力，对比负责提供物理排序，两者叠加好于任一单独使用。

另一个对照是与无预训练比较，原文指出这确认了自监督预训练对复杂声场参数是决定性的。需要指出的是，原文没有给出拿掉某个频带相干或某个声学特征后的逐项消融，也没有报告不同温度与带宽的完整扫描曲线，只说明温度与带宽按下游验证集选择。因此不能写拿掉后必然怎样，只能说在已有变体范围内，掩码与对比是互补的。复现时应先固定掩码率与重建权重，再调对比温度与带宽，否则难以归因。

在什么条件下结论可能不成立？

论文在讨论中明确给出两个限制。第一是评估只在仿真数据上进行，房间、阵列、声源与噪声都按均匀分布采样仿真，需要在真实混响场景进一步验证。第二是软对比的效果直接依赖目标声学特征的可靠性，例如相位变换互相关在极低信噪比下会退化，可能削弱正则收益。原文的信噪比范围是 15 到 30 分贝，没有覆盖更恶劣噪声，因此不能把结论推广到强噪声。

还有一个隐含边界是特征选择：5 个特征偏向方向与扩散性，对混响时间与直接混响比的约束较松，可视化中这两列的分离较弱就是证据。此外，吸声系数的反例说明该方法不是对所有空间任务一致最优。缺失证据不是技术错误，但复现与引用时要用报告、支持、可能 3 级表达：报告是仿真五任务多数误差下降，支持是几何正则改善方向排序，可能但待验证的是真实房间与低信噪比下的鲁棒性。未测量推理延迟与计算开销的逐任务分解，不应承诺延迟改善。

要复现先做什么，需要哪些超参数？

复现应按学习依赖顺序准备。首先按原文仿真数据：用干净语音与仿真房间脉冲响应卷积，房间尺寸、混响时间、阵列间距、位置比例、声源距离与信噪比都按原文区间采样，并保证预训练与下游房间不重叠，下游三划分房间不重叠。其次按原文信号参数：16 kHz、4 秒、32 毫秒汉宁窗、16 毫秒帧移、参考通道幅度归一化，输入为双通道复谱实虚部分拼接。

模型按空间编码器 3 层、频谱编码器一层、投影到 128 维、拼接后共享解码器搭建，预训练批量一百二十八、30 轮、初始学习率千分之一余弦衰减、温度 0.15、带宽 1.0、掩码率 50%、总损失权重一。声学特征按相位变换互相关与三频带相干计算，再用全局均值方差归一化到负一到一。下游按批量八搜索学习率、验证平稳 10 轮衰减 10 倍、选最优轮加前 4 轮集成，并做 4 种子平均。

代码与权重方面，本次没有收到可验证的资源证据，不得声称已公开或可下载，只能以原文脚注的仓库声明为准并在复现前自行确认可达。若特征在低信噪比下不稳定，应先补真实房间与噪声鲁棒性验证，再调带宽与温度。

何时值得尝试这种方法？

当任务是双耳录音的空间参数回归、标注房间很少但可收集大量无标注录音时，这种方法值得尝试。它的核心判断是：不要只用重建学表示，而要用从信号本身算出的方向与扩散特征把隐空间排成物理顺序，再让重建保留恢复能力。证据支持它在方向、混响时间、直接混响比与清晰度上多数优于纯重建，尤其在冻结编码器时差距更大，说明表示本身更适合回归。

代价与边界同样清楚：需要可靠的传统声学估计作为软目标，对简单谱属性如吸声系数可能不如直接监督训练，且当前证据限于仿真 15 到 30 分贝条件。教学上最易误解的是把软对比当成普通分类对比：这里没有正负二值标签，只有连续高斯权重，目标是让隐相似匹配声学相似，而不是把同类拉到一起。另一个误解是把降维图中的颜色渐变当成回归精度本身：渐变只说明排序更平滑，最终误差仍取决于下游预测头与微调条件。

带着这两点去读图与读表，就能复述该方法的完整链路。

⚖️ 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