在没有转写时如何证明自发语音语料可用：喜马拉雅四语的采集与验证

英文题目：Collection and Curation of a Spontaneous Multilingual Speech Corpus for Low-Resource Himalayan Languages

会议身份：conference:interspeech:2026:conference-paper-id:sinha26_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：#数据集 #数据集构建 #低资源 #多语言 #语言识别

评分：6.0/10 | 创新 1.2/2 | 技术严谨 1.2/1.5 | 实验充分 1.0/1.5 | 清晰度 0.8/1 | 影响力 0.7/1.5 | 开源 0.0/1.5 | 可复现 0.1/0.5 | 工程/实践 1.0/1.5

排名：前50% | 文档类型：数据集与基准

👥 作者与机构

• Abhijit Sinha：机构信息未能从会议 PDF 纯文本可靠映射
• Subham Kutum：机构信息未能从会议 PDF 纯文本可靠映射
• Udara Laxman Kumar：机构信息未能从会议 PDF 纯文本可靠映射
• Paban Sapkota：机构信息未能从会议 PDF 纯文本可靠映射
• Hemant Kumar Kathania：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

低资源喜马拉雅语言的计算建模难点在于缺乏统一采集的自发语音，输入为自然室内环境下的自由独白，输出为可支撑跨语言比较与建模的结构化语料。方法链分为四步：先通过社区招募筛选320名母语者并签署知情同意，输出匿名化说话人集合，每语种80人，再以无脚本独白方式完成每人5次录制，平均每次约5.5分钟，每人约27-28分钟，总计146小时，随后按语言分层组织目录与元数据以支持说话人无关划分，最后用声学分布分析与语言识别验证语言可分性。相比以往小规模或条件不一致的采集，该工作以跨语系与声调类型覆盖结合统一元数据框架为机制差异，使区域内比较成为可能。在说话人无关80/20划分下，40维梅尔频率倒谱系数（Mel-Frequency Cepstral Coefficients，MFCC）与韵律能量融合的卷积神经网络（Convolutional Neural Network，CNN）在四语言识别上达到92.95%准确率，显著高于单用音高轮廓的56.86%。结论仅适用于转写缺失下的声学可分性验证，未验证自动语音识别或跨方言泛化等外推场景。原文未披露训练、推理或部署成本，未提供数据与代码获取方式。

🔗 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：要解决的低资源困境是什么？

本文输入是东喜马拉雅走廊 4 个语言的自然口语：博多语、夏尔巴语、廓尔喀语即尼泊尔语、宗卡语。目标读者是刚进入语音领域的研究生，需要先理解低资源在这里不是单纯小时数少，而是缺乏在可比条件下采集、有统一元数据、可做跨语言分析的自发语音。作者在引言中明确，挑战不仅是扩大音量，还包括如何在声学多变、人口多样、技术设施有限、转写成本高的条件下决定如何采集、组织和评估。

必须保留的关键信息是语料规模与构成：320 名母语人，每语 80 人，每人 5 段独立自发独白，平均每段约 5.5 分钟，每人约 27 到 28 分钟，总计 146 小时。录音主要在学校等室内自然环境，不是消声室，保留了不同程度背景噪声。两种录音配置并存：便携数字录音机 44.1 千赫兹，头戴耳麦 16 千赫兹，原始采样率保存。输出是经过整理的层级目录与元数据，以及两路验证：声学韵律分布是否呈现系统性语言差异，说话人无关语种识别是否可学。

本文解读的输出安排是按学习依赖展开：先讲任务与已有路线，再讲采集全景与声学计算细节，再讲实验条件与结果反证，最后讲复现要点。所有事实只来自论文正文证据，不引入外部对语言系属或识别模型的推测。资源可用性方面，本次收到的证据中资源状态为 NONE，未发现完成验证的公开链接，因此不能声称数据或代码已公开，只能按论文描述讨论其组织方式。

已有路线提供了什么，缺了什么？

高资源语言依赖大规模标注语料，这是通用语音技术的起点。论文引用了通用语料建设的必要性、Common Voice 大规模多语众包、VoxLingua107 语种识别数据集等工作，说明大语种已经有可复用的采集与评测范式。但在喜马拉雅及周边低资源场景，已有工作多是小规模或条件不一致。论文点名的缺口包括宗卡语自动语音识别语料、藏语识别基准、Lhasa 方言语料以及低资源藏缅语族声调语言的数据集开发，这些工作各自解决一语一任务，缺少跨语言可比的自发语音框架。

同输入同目标的对照应这样理解：同样处理自然连续语音，同样希望支持计算建模，但已有喜马拉雅语料在录音设计、文档完整性和跨语言一致性上不足。论文没有把类别差异当作胜负，例如不直接用大语种识别率来否定小语种工作的价值，而是指出已有尼泊尔语在线文本相对较多，但可比条件下的结构化自发语音依然有限。因此本文的定位是补采集方法与验证方法，而不是在同一测试集上刷新某个识别榜单。

运行阶段的对照也很重要：很多已有语料面向有转写的监督训练，而本文明确不含转写，验证只用无转写的声学统计与语种判别。这决定了后文实验不能与需要词级标注的语音识别直接比较，只能与同样无转写、可做说话人无关划分的语言级分析比较。理解这一点，才能正确看待后文 92.95% 数字的含义：它是语料内部可分性的证据，不是通用语种识别冠军模型。

为什么不用朗读和转写这条更省事的路？

一个自然的疑问是：让每人读同一段文字，再请人转写，不是更干净吗。论文给出的安排理由是现实约束：在方言变异大、标注人力有限、成本高的社区，大规模转写不切实际；录音只能在学校等自然室内完成，无法保证声学处理；参与者通过学校与社区网络自愿招募，无法做到严格人口配额。如果强行要求朗读加转写，要么采不到足够时长，要么得到的是背离日常使用的受控语音。

因此问题被定义为：在保留自然变异的前提下，如何用结构化自发采集加无转写验证来证明语料可用。具体操作是让说话人自由选题做自发独白，捕捉自然话语结构、韵律模式和词汇使用，每人完成 5 次独立会话。作者明确没有按感知质量、背景噪声或说话风格删除任何录音，全部保留以保存自发变异，只严格维护元数据一致性和目录结构，以便可靠切分出说话人无关评测。

这个选择带来两个必须记住的代价。第一，人口不平衡无法避免：夏尔巴语 74 男 6 女，廓尔喀语 61 男 19 女，而博多语 28 男 52 女，宗卡语 31 男 49 女，年龄跨度从 18 到 60 岁。第二，声学条件异质：采样率、麦克风距离、房间混响都不统一。后文所有声学差异都必须在这个异质背景下解读，不能直接断言为纯音系差异。

采集到验证的全景：一个样本走完全程

沿一个样本走完全程有助于建立全局图。假设 1 名博多语女性说话人报名，流程先是签署书面知情同意并分配匿名编号，只保留年龄、性别等有限元数据。然后她在室内自然环境完成 5 次自发独白，每次约 5.5 分钟，音频按原始采样率存入以语言为顶层、说话人为子目录的层级结构，文件名遵循统一命名规范并标注语言、年龄、性别和录音环境。

验证阶段对这 5 段音频做两件事。第一路是声学刻画：用 YIN 算法提取帧级基频，剔除清音帧，对每段求浊音段均值与标准差，再把 5 段均值平均得到说话人级平均基频；同时用基于 WebRTC 的语音活动检测统计浊音段切分，估计每秒语音段数作为说话速率代理，并计算平均强度。第二路是语种识别：先统一转成 16 千赫兹单声道，用 WebRTC 激进等级 3 去除非语音，切成不重叠的 10 秒整块，只保留完整块，再按说话人无关 80 比 20 切分训练测试，用梅尔频率倒谱系数等特征训练支持向量机和卷积神经网络，以准确率、平衡准确率、宏平均精确率召回率与 F1 评价。

这个全景说明方法职责：采集负责在现实条件下保证可比性，声学分析负责内在一致性检查，识别实验负责可学习性检查。三者都不依赖转写。理解了主路径，再看各组件的计算细节就不会迷失。

人是怎么招的，录音与目录如何保证可比？

参与者通过教育机构与社区网络的外联招募，强调自愿参与而非严格人口定向，报名并有兴趣者即录制并给予报酬。每语 80 人共 320 人的数量平衡是设计使然，但性别分布不平衡是实际招募条件所致，不是刻意抽样。年龄从青年到中老年自然展开，引入嗓音特性的自然变异。所有参与者被核实为所贡献语言的母语人。

录音设计的关键是 5 次独立自发话语。不是 1 次长录音切 5 段，而是 5 次独立会话，每次形成独立自发话语，这样说话人级平均能平滑单次会话的偶然状态。室内优先但非专业录音室，允许背景噪声残留。两种设备并存是野外现实，作者保留原始采样率，但在识别实验前统一到 16 千赫兹以保证跨语言一致。目录按语言分顶层、说话人分子目录，每文件附带语言、年龄、性别、环境的结构化元数据，匿名编号保护隐私。

自发独白 × 朗读语音： 自发独白指说话人自由选题、无稿连续讲述，负责保留自然话语结构、韵律和词汇选择；朗读语音指照稿念出，负责控制内容一致但丢失停顿和语速变化。该文选择自发独白与无转写的搭配，原因是野外条件下大规模转写不可行，组合意义是用声学分布和语种可分性代替转写来证明语料仍具计算可用性。

下表提出第一个可核对问题：在人数平衡下人口结构是否真的不平衡。公平条件是同为母语人、同为 5 段独白、同为层级元数据。指标方向不是谁好谁坏，而是记录偏差来源。表后解释将说明这种不平衡如何影响基频解读。

该表显示人数设计平衡但性别明显偏斜，夏尔巴语几乎全为男性，博多语与宗卡语女性过半。这意味着后文博多语平均基频最高、夏尔巴语最低，不能只读作声调差异，性别构成是重要混杂。未胜出项在这里不是模型，而是招募本身：作者未实现性别均衡，也未报告按性别分层的声学对照，这是复现时需要补的验证边界。 下面先看说话人级基频分布的像素证据，再解释其计算含义。

看图路径： 1. 先看横轴四个语种与纵轴说话人平均 F0，确认每个点是一名说话人五段录音的平均；2. 比较博多语点云整体位置最高、夏尔巴语整体位置最低，中间观察重叠带；3. 注意每列内部从约 100 赫兹到 250 赫兹的纵向跨度，区分个体差异与语言中心差异

论文图 2。原论文 Figure 1：“Speaker-level mean F0 distribution. Each point rep- resents one speaker (average across five recordings).”。

该图每个点是 1 名说话人 5 段录音平均后的平均基频，纵轴为赫兹，横轴为四语。可见博多语蓝色点云整体偏高，上探到 270 赫兹以上，下探到 100 赫兹附近；宗卡语橙色次高但高值离散点较多；廓尔喀语绿色居中且相对紧凑；夏尔巴语红色整体偏低，大量点集中在 120 到 150 赫兹，仅少数高点上探到 200 赫兹。

组内纵向跨度都很大，说明个体差异显著，但中心位置的错位在说话人级依然可见。结合上表性别构成，这种错位同时承载人口与语言声学两层信息，不能单归因。

本研究训练了什么，没有训练什么？

本研究没有训练大语音模型，也没有做语音识别声学模型训练。必须明确说明的无训练部分包括：未训练任何多语预训练表示，未微调任何自监督模型，论文仅报告初步尝试多语预训练表示在相同设置下未取得有竞争力的结果，并推测是缺少任务适配，未来才考虑微调。不能把未训练等同于确定性求解，也不能从参数冻结推定输出确定。

实际执行的计算分为两类。第一类是信号处理计算：YIN 基频提取、WebRTC 语音活动检测、强度与响度统计、说话速率估计，这些是确定性算法加统计聚合，没有梯度更新。第二类是有监督分类器训练：以 40 维梅尔频率倒谱系数及基频轮廓、强度、均方根响度为输入，训练支持向量机与卷积神经网络做四分类语种识别。论文未报告优化器、学习率、轮数、早停、随机种子等超参数细节，这是具体缺项，复现时无法完全重放，只能按相同说话人无关划分与 10 秒块长重建流程。监督来源是语言标签，不是转写文本；重置时机与梯度路径未报告，不做推测。

这种安排的理由在原文有交代：实验目标不是刷模型性能，而是作为语料验证工具，检验自发语音是否编码了足够语言级结构。因此分类器只是探针，特征对比的趋势比绝对数值更重要。

识别实验的条件是否公平：数据、划分与指标

数据协议是理解公平性的起点。所有录音先标准化为 16 千赫兹单声道，用 WebRTC 语音活动检测 aggressiveness level 3 去除非语音，再切成不重叠 10 秒块，只保留完整块以保证输入时长统一。这个步骤统一了设备带来的采样率差异，但不消除房间与麦克风距离带来的强度差异，因此强度特征的语言差异仍可能混有信道影响。

划分采用说话人无关 80 比 20 切分，训练与测试说话人不重叠。论文强调该协议保证评测反映语言级声学结构而非说话人记忆，这是整个验证的核心。若用说话人相关划分，模型靠音色记人即可得高分，无法证明跨说话人的语言模式稳定。指标同时报告总体准确率、平衡准确率、宏平均精确率召回率与 F1，其中平衡指标负责应对人口不平衡，论文指出总体与平衡准确率差值小，说明识别表现跨语言相对均匀，而非被单一主导类拉动。

说话人无关划分 × 平衡准确率： 说话人无关划分指训练与测试说话人集合不重叠，负责防止模型靠记说话人得分；平衡准确率指对每类召回率取平均，负责在性别和样本不平衡下不被大类主导。该文把二者搭配的原因是语料本身性别不平衡且语种间易混，组合意义是只有同时做到人无关与类平衡，才能把准确率解读为语言级声学结构的证据。

除核心协议外，论文特有的细节有两类值得展开。第一是单特征对照：40 维梅尔频率倒谱系数作为频谱基线，基频轮廓、强度、响度分别单独评测，同一说话人无关协议下比较支持向量机与卷积神经网络。第二是增量融合：以卷积神经网络为载体，逐步加入响度、基频、强度，观察互补性。原文未报告按性别或按设备分层的成绩，也未报告延迟与计算成本，因此不能承诺这些量得到改善。硬件预算与训练耗时同样缺失，复现时需自行记录。

声学上看到了什么：音高、能量与时间组织

录音级聚合统计显示平均基频差异清晰：博多语最高，其次宗卡语、廓尔喀语，夏尔巴语最低，最高与最低均值差超过 30 赫兹。基频标准差在 63.7 赫兹到 69.2 赫兹之间，有重叠但仍显示离散程度的语言间差别。平均强度也跨语言变化，尽管作者提醒强度受录音条件影响，但仍认为幅度相关特性在基频之外提供了额外声学信息。总体判断是语言级声学变异在异质录音与自发性质下依然可见。

下表提出比较问题：在相同自发独白与自然室内条件下，四语的音高与能量中心是否分离。公平条件是同为 YIN 浊音段统计、同为录音级聚合。指标方向是数值差异越大、分布重叠越小，越支持存在系统性模式，但需结合性别混杂解读。

表后解释是：均值排序与说话人级点云中心排序一致，支持多维声学结构的第一维；但标准差范围重叠较大，单靠离散度无法分语；强度以博多语 0.109 明显高于宗卡语 0.044，提示能量维度有补充作用，但因设备与距离未严格控制，不能断言为语言本质。未胜出项是离散度本身：它作为单维度区分力弱，后文单特征基频分类准确率低与此呼应。

时间组织提供第二维证据。说话速率用每秒浊音段数代理，说话人级平均跨 5 段录音计算。

看图路径： 1. 先看横轴语种顺序与纵轴每秒语音段数，确认每个盒子是说话人级平均的分布；2. 比较橙色中位线高低：博多语最高，廓尔喀语最低，夏尔巴语与宗卡语居中；3. 观察盒体高度与须线长度，判断组内离散与极端快慢个体的存在

论文图 1。原论文 Figure 2：“Speaker-level speaking rate (segments per second) across languages. Each box summarizes speaker-level averages computed from five recordings per speaker.”。

该图为四盒箱线图，纵轴每秒语音段数从 0 到 1.1，横轴为四语。博多语盒体与中位线最高，中位约 0.54，须线上探超 1.1；宗卡语次之，中位约 0.50；夏尔巴语中位约 0.42；廓尔喀语最低，中位约 0.35，盒体整体下移。

盒体高度显示组内变异都大，廓尔喀语下须接近 0，博多语上须很长，说明极端快慢个体并存。论文将其解读为社区话语 pacing 与会话风格的反映，且在相同录音流程下依然可见，因此更可能是采集到的自发特性而非录音伪影。但同样需注意，这只是切分统计代理，不是音节或词速率，不能等同于语速的语言学结论。

基频 × 语种识别： 基频即 F0，负责刻画嗓音高低及其随时间的起伏，是声调和性别差异的直接载体；语种识别负责把一段语音判为四语之一，检验语言级差异是否可学。该文先用基频分布展示语言间中心位置不同，再用识别实验检验单靠基频不够，组合意义是把描述性差异与可学习性分开验证，避免把肉眼可见的分布差等同于分类可用。

识别实验的主结果：频谱最强，能量互补

单特征可分性先建立基线。在说话人无关划分下，用梅尔频率倒谱系数的支持向量机达 78.47% 准确率，卷积神经网络提升到 85.95%，总体与平衡准确率差值小，说明跨语言覆盖相对均衡。基频单用时支持向量机 54.06%、卷积神经网络 56.86%，尽管前文分布带分离清晰，但单靠音高不足以做可靠四分类。能量特征更有信息量：响度在支持向量机 59.54%、卷积神经网络 76.09%，强度为 50.26% 与 66.30%，显示幅度变化捕捉了有意义的时间结构，但仍是部分信息。

下表提出核心比较：在同一说话人无关协议与 10 秒块下，哪种可实际运行的特征组合真正提升可部署收益。公平条件是同一切块、同一切分、同为卷积神经网络载体。指标方向是准确率、平衡准确率、宏平均精确率召回率 F1 越高越好，且需看增量代价。

表后解释是：最大单步增益来自梅尔频率倒谱系数加响度，从 85.95% 到 91.97%，支持幅度调制补足频谱未表达的时间结构；单加基频或强度反而增益小甚至低于基线，说明二者单独不足以替代频谱。最强是三特征梅尔频率倒谱系数加基频加强度 92.85%，全量四特征 92.95% 仅小幅再提升，说明频谱、能量、韵律合在一起捕捉了互补的语言级信息。未胜出项必须点名：梅尔频率倒谱系数加基频 81.67% 明显低于单用梅尔频率倒谱系数，这是负结果，提醒基频不是无条件有益，只有与强度等组合时才显现互补。

作者的判断措辞是语料编码了分层声学结构，频谱提供最强判别基础，能量与韵律提供互补证据，且在两种分类器下趋势一致，更可能是语音内在属性而非某特征表示的伪影。该判断属于有限解释，支持但不等同于因果证明。

去掉一部分会怎样：融合的反证与失败条件

把融合表当作消融来读，可以得到更细的机制。问题是：频谱、能量、韵律各自缺了会怎样。与谁比的条件是一致的：同一卷积神经网络、同一说话人无关切分、同一 10 秒块。与单用梅尔频率倒谱系数 85.95% 相比，加响度提升约 6 个百分点，加强度反而降到 83.29%，加基频降到 81.67%，这构成反证：不是加任何特征都涨，只有特定组合涨。

梅尔频率倒谱系数 × 响度： 梅尔频率倒谱系数即 MFCC，负责概括短时频谱包络，是区分音位和音色的主要信号；响度即 RMS loudness，负责刻画幅度随时间的调制和话语切分节奏。该文把二者融合的理由是频谱不能完整表达时间组织，组合意义是 MFCC 加响度从 85.95% 提升到 91.97%，说明能量时间结构补足了频谱缺失的信息。

进一步比较三特征组合：梅尔频率倒谱系数加响度加基频 86.71%，加响度加强度 88.45%，而加基频加强度跃到 92.85%，说明基频与强度 together 才有效，单加其一效果有限。全量四特征 92.95% 相对三特征仅提升 0.1 个百分点，代价是输入维度与复杂度增加而收益递减。若考虑部署成本，在资源受限场景选择梅尔频率倒谱系数加响度 91.97% 可能是性价比更高的可运行策略，全量组合只在追求最高验证分数时采用。论文未报告推理开销与帧率，因此上述性价比只是基于特征数量的定性讨论，待验证。

失败条件还包括预训练表示的初步实验：在相同设置下多语预训练表示未取得有竞争力结果，作者归因于缺少任务适配。这是一个明确的负结果，说明直接套用大模型表示不保证在该野外自发语料上可分，未来需微调验证。复现时应保留该失败分支，不要只报最优融合。

哪些结论还不能下：混杂与未测边界

第一个限制是人口混杂。论文自己指出基频分布受人口构成影响，夏尔巴语仅 6 名女性而博多语女性过半，平均基频强受性别影响，观察到的分离同时反映人口构成与语言级声学变异。在没有按性别分层或协变量校正前，不能把 173.7 赫兹对 141.9 赫兹的差距解读为纯声调类型差异。同样，年龄跨度 18 到 60 岁引入的嗓音变异未做分解。

第二个限制是信道混杂。两种设备、不同房间、不同麦克风距离都会影响强度与响度。论文承认强度可受录音条件影响，因此能量特征的高分类贡献可能部分来自可学习的信道或说话风格差异，而非纯语言韵律。在没有按设备或环境分层评测前，能量互补的因果解释只能写支持，不能写证明。

第三个限制是未测边界：无转写意味着无法做词级或音位级分析，无法验证词汇与句法的作用；未报告按性别、按设备、按年龄段的细分准确率；未测量误判矩阵，不知道哪两语最易混；未报告统计显著性检验、置信区间、多次随机种子方差；未报告训练与推理成本、延迟、模型参数量。

相关性不是因果，总体趋势不等于每组每步都成立。论文把识别实验定位为验证工具而非模型榜单，这个自我限定应当保留。

要复现这套验证，先做什么？

先重建数据组织：顶层按语言分 4 目录，每说话人建子目录，每人 5 段独立自发独白，文件名统一并附带语言、年龄、性别、环境元数据，匿名编号，不按质量删除。招募时记录知情同意与报酬，核实母语人身份，保留原始采样率文件，实验前再统一转 16 千赫兹单声道。这个顺序不能颠倒，否则无法回溯设备影响。

再重建声学计算：用 YIN 提帧级基频并剔除清音帧，每录音求浊音均值与标准差，5 段平均得说话人级均值；用 WebRTC 语音活动检测做浊音切分统计，估计每秒段数；计算平均强度与响度。画出说话人级基频散点与说话速率箱线图，检查中心排序是否复现：博多语高、夏尔巴语低，廓尔喀语速率中位最低。

最后重建识别探针：WebRTC aggressiveness 3 去非语音，切不重叠 10 秒整块，只留完整块，说话人无关 80 比 20 切分，40 维梅尔频率倒谱系数基线，支持向量机与卷积神经网络双载体，再做单特征与增量融合。关键超参数在原文缺失，需自行固定并记录种子与划分文件。还需补原文未做验证：按性别与设备分层、输出混淆矩阵、多次重复估计方差、记录训练推理耗时。资源方面，本次证据未确认任何可达的公开链接，复现前应按论文机构联系方式或会议版本核实数据获取方式，不预设已公开。

何时值得尝试这条无转写路线？

当你的场景也是野外自发语音、转写不可行、但需要证明语料可用时，这条路线值得尝试：用统一采集加元数据保证可比，用声学分布展示系统性，用说话人无关识别证明可学习性。它的适用条件是语言级判别足以支撑立项，后续可再投入转写做细粒度任务；若目标本身就是语音识别词错误率，则该路线不能替代转写投入。

重提结果时增加适用判断：梅尔频率倒谱系数单用已具强基线，响度是性价比最高的补充，全量融合的 92.95% 是验证上限而非部署必选项，基频单用弱但与强度组合强。代价是性别与信道混杂未解，强度结论需谨慎引用。

对初学者的收束建议是：不要把分布图分离直接写成语言本质差异，不要把末步最高分推广为全程最优，不要把自动指标当作人工感知评价。先沿单样本走通输入到表示到组件到目标到输出，再谈公式与模型；先确认划分无人泄漏，再谈准确率高低。这篇论文的特有误解正在于此：它用识别分数为语料背书，而不是为模型背书，读反了就会误用数字。

⚖️ 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