遮住最明显的病变帧：PAN-Mask 用可学习的病理掩码逼模型学分布特征

英文题目：PAN-Mask: Pathology-Aware Neurological Masking with End-to-End Learnable Weights for Neurological Disorder Detection from Speech

会议身份：conference:interspeech:2026:conference-paper-id:sun26b_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：#语音生物标志物 #注意力机制 #正则化 #多语言 #病理语音评估

评分：6.4/10 | 创新 1.3/2 | 技术严谨 1.0/1.5 | 实验充分 1.2/1.5 | 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

• Qi Sun：机构信息未能从会议 PDF 纯文本可靠映射
• Junhao Fan：机构信息未能从会议 PDF 纯文本可靠映射
• Boao Jing：机构信息未能从会议 PDF 纯文本可靠映射
• Ziqi Chen：机构信息未能从会议 PDF 纯文本可靠映射
• Guodong Lin：机构信息未能从会议 PDF 纯文本可靠映射
• Wei-Qiang Zhang：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

论文以语音波形为输入预测阿尔茨海默病（Alzheimer’s Disease, AD）、帕金森病（Parkinson’s Disease, PD）与抑郁（Depression）类别，难点在于临床线索稀疏局部且跨疾病语言分布各异。病理特征检测器（Pathology Detector）从波形分帧提取六种可解释声学描述子并做 utterance内归一化，输出帧级特征向量，该向量直接进入注意力聚合步骤。注意力聚合（Attention Aggregation）以轻量双层网络为每帧生成权重并加权求和得到病理显著性分数（Pathology Score），该分数作为可微掩码的掩码位置排序依据。可微软掩码（Differentiable Soft Mask）依据分数优先衰减高显著性波形片段，保留随机成分以维持正则随机性，输出被掩码波形以送入编码分类。被掩码波形经归一化后送入 WavLM 编码器与线性分类头，以交叉熵（Cross-Entropy）联合优化检测器与分类器。与随机掩码（Random Masking）相比，病理感知掩码（Pathology-Aware Masking, PAN-Mask）在 6 个数据集上平均准确率提升 13.82 个百分点，在 ADReSS 上达到 86.36%。该结论限于截断朗读与图片描述任务及所测五种语言，未验证自发对话长时监测与重度噪声下的稳定性。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，目标是什么，这篇解读要交付什么？

本文解读的对象是 1 篇投向 Interspeech 2026 的论文，标题为病理感知的神经掩码方法 PAN-Mask。输入是原始语音波形，目标是对神经与精神疾病做二分类，包括阿尔茨海默病、帕金森病和抑郁。论文不研究语音识别的字正确率，也不研究多模态大语言模型的文本推理，只研究声学信号 alone 能否在跨疾病、跨语言条件下稳定检出病理。

对于刚进入语音与健康交叉方向的研究生，本解读要交付三件事。第一，讲清为什么通用自监督模型的随机掩码在病理语音上会失效，以及病理感知掩码如何作为正则化器改变学习行为。第二，沿着一个 10 秒语音样本走完分帧、6 维特征提取、注意力加权、软掩码、WavLM 分类与损失回传的完整链路，给出可复述的计算步骤与超参数。第三，交代实验条件与证据边界，包括 6 个数据集的任务与语言、随机掩码对照的公平性、主结果数字、消融反证以及未被验证的部分。

需要保留的关键信息是方法的可操作细节与评估口径。方法是轻量检测器加可微软掩码加 WavLM 基座加分类头的联合优化，评估是在相同超参数下比较病理感知掩码与随机掩码的验证准确率。解读中所有教学例子都会明确标为例子，不把例子中的假设数值当作论文报告的结果。

已有路线解决了什么，还剩什么没解决？

第一条路线是自监督语音表示。wav2vec 2.0 与 WavLM 从大量无标注语音中学习通用表示，在临床基准上常取得当时最好的结果。它的训练假设是帧在统计上可互换，因此用随机掩码或频谱增强遮挡一部分输入，迫使模型从上下文预测缺失内容。这种做法对内容理解有效，但它不区分哪一段语音更具临床意义。

第二条路线是临床声学分析。文献长期报告帕金森病的语速与节律紊乱、阿尔茨海默病的停顿模式变化、抑郁与帕金森病的韵律平坦化，以及呼吸控制损失导致的能量与嗓音质量异常。openSMILE 等工具把这些现象固化为可解释特征。它的优点是可解释，缺点是特征重要性往往需要人工按数据集调整，难以跨疾病与语言迁移。

第三条路线是韵律驱动或结构感知的掩码。已有工作表明按声学结构而非词内容做遮挡能学到更有意义的表示，但论文指出尚无框架把掩码目标显式对准临床判别目标。病理语音的特殊性在于诊断线索稀疏且局部集中，模型容易只记住几个最明显的异常帧。这就留下本文要解决的缺口：如何在不引入人工特征工程的前提下，让掩码自动找到并抑制当前疾病最依赖的显著帧，从而学到更分布式的表示。

为什么稀疏的病理线索会诱发捷径学习？

设想一个例子，仅为教学例子。一段描述图片的英语录音中，患者在句间出现 2 次长停顿，伴随基频起伏变小。如果模型每次都靠这两个长停顿判为阿尔茨海默病，它在训练集上会很快收敛，但换一个停顿不典型的患者或换一种录音任务就可能失效。这就是论文所说的捷径学习：过度依赖少数高显著帧，忽视分布式的互补生物标志物。

随机掩码不能纠正这个问题。它以均匀概率遮挡波形采样点，有可能恰好打掉本已稀疏的临床线索，也有可能完全没碰到主导线索。论文的消融报告显示，随机掩码在 6 个数据集上比不掩码低 4.2% 到 13.3%，支持了无指导掩码会破坏临床相关信号的判断。问题于是被形式化为：在总掩码预算固定的条件下，如何把掩码位置分配给病理显著性最高的区域，同时保留少量随机性以维持正则化，并让显著性的定义随疾病与语言自动适应。

随机掩码 × 病理感知掩码： 随机掩码的分工是提供内容无关的正则化，把波形位置均匀遮挡以防过拟合；病理感知掩码的分工是估计每帧的临床显著性并优先抑制高显著帧以打断捷径学习，二者搭配的理由是保留掩码正则化的好处同时把破坏力集中在模型最依赖的少数帧上，组合意义是把通用预训练的均匀假设替换为面向疾病的任务感知正则化。

PAN-Mask 的全景链路是怎样的？

从一个样本看完整路径有助于建立学习依赖。输入是一段采样率为 16 kHz 的原始波形，统一截断或补 0 到 10 秒。系统先把它切成重叠帧，帧长 512 个采样点，帧移 256 个采样点。然后病理检测器为每帧计算 6 维向量，注意力模块把它聚合成 0 到 1 之间的标量病理分数。分数高的帧被可微软掩码优先衰减，得到的掩码后波形做零均值单位方差归一化，再送入 WavLM 基座与线性分类头输出疾病与健康两类的对数几率，最后用交叉熵损失联合训练检测器与分类器。验证时不做任何掩码。

这个链路中有两个分支的对照设计。右侧是随机掩码对照分支，以相同预算做均匀掩码，用于隔离显著性引导带来的增益。左侧是病理感知分支，承担本文的贡献。底部是共享的 WavLM 编码器、分类头与损失，保证比较的公平性。论文强调检测器参数量不足 250 个，相对 WavLM 的 94M 参数可忽略，因此性能变化主要来自掩码位置策略而非模型容量。

捷径学习 × 分布式表示： 捷径学习指模型过度依赖少数高显著病理帧做判断，在训练集上准确但泛化差；分布式表示指迫使编码器从剩余信号中挖掘互补的次要生物标志物，二者搭配的理由是直接遮住主导线索才能检验模型是否学到冗余证据，组合意义是把掩码从数据增强变成鼓励鲁棒临床表征的正则化器。

下图为论文给出的训练框架总览，阅读时先分清左右分支再看底部共享部分与梯度回路。

看图路径： 1. 沿顶部原始波形向下追踪左侧病理分支与右侧随机分支的分叉与汇合点；2. 确认六个声学特征框如何汇成特征向量再进入注意力网络；3. 观察底部共享的 WavLM 编码器加分类头与交叉熵损失的位置；4. 沿红色虚线看梯度如何从损失回流到注意力与检测器

论文图 1。原论文 Figure 1：“PAN-Mask overview. The pathology detector com- putes six frame-level acoustic features (xt), attention aggrega- tion produces a per-frame pathology score (st), and the differ-…”。

图中左侧蓝色框对应分帧与 6 维特征计算，中间橙色框对应跨疾病自适应注意力与病理分数，绿色框对应可微软掩码与掩码后波形，右侧灰色框对应随机掩码对照。底部蓝色框是预训练 WavLM 编码器、分类头与交叉熵损失，红色虚线标出端到端梯度流同时调检测器与分类器。像素显示随机掩码概率标注为 0.4，掩码后波形公式为逐点相乘形式，这与正文的预算与软掩码描述一致。

六维病理特征如何计算与归一化？

检测器的第一步是把波形变成每帧 6 维的可解释描述子。6 维分别是节律不规则性、停顿似然、基频单调性、能量下降、嗓音质量异常与频谱周期性。论文说明这些维度对应临床文献中最常与神经退行和精神疾病关联的声学标记，包括帕金森的时间节律破坏、阿尔茨海默的停顿模式、帕金森与抑郁的韵律平坦化以及呼吸控制损失。为便于端到端优化，特征在 GPU 上用 PyTorch 与 torchaudio 经短时傅里叶变换与梅尔谱图原生计算，避免外部依赖，概念上与 openSMILE 针对的发声与构音现象对齐。

第二步是逐话语归一化。每个特征维度在其话语内做最小最大缩放映射到 0 到 1 区间，并加极小常数防止除零。论文明确给出归一化理由：6 个特征量纲与分布差异大，若不归一，注意力模块会被绝对值最大的特征主导，跨特征比较将失去意义。这一步是后续注意力加权的前提，也是复现时容易忽略的细节。

病理特征检测器 × 注意力聚合： 病理特征检测器的分工是从原始波形逐帧计算 6 维可解释声学描述子，覆盖节律、停顿、基频、能量、嗓音质量和周期性；注意力聚合的分工是用两层网络为每帧学习 6 维权重并加权求和得到病理分数，搭配理由是不同疾病和语境下各维度重要性不同，组合意义是无需人工逐数据集设计特征重要性即可自适应估计帧级显著性。

注意力如何把六维特征变成帧级病理分数？

固定权重假设每个声学维度在所有疾病、语言与时间上下文中同等重要，论文指出该假设明显不成立。举例来说，停顿频率对阿尔茨海默病可能比对帕金森病更重要，而基频单调性在抑郁中更具判别力。因此模型为每帧学习特定的加权。实现是一个两层模块，先经线性加偏置与双曲正切非线性，再经线性映射输出 6 维未归一化对数几率，中间瓶颈维度为 16。随后用带温度系数的 softmax 得到和为 1 的注意力权重。

帧级病理分数是注意力权重与归一化特征的内积。因为权重和为 1 且每维特征在 0 到 1 之间，分数自然落在 0 到 1 区间，可理解为类概率的显著性度量。注意力按帧自适应：在叙事段可能强调停顿似然，在持续发声段可能转向基频单调性，同一话语内可以切换。这种设计让掩码分布自动适应疾病与语言，无需人工逐数据集调特征工程。

软掩码 × 端到端优化： 软掩码的分工是用可微 sigmoid 门对高显著采样点做连续衰减而非硬删除，保留梯度通路；端到端优化的分工是让分类交叉熵损失的梯度经掩码回传到注意力参数和阈值，搭配理由是离散的按百分位分配掩码预算不可微，组合意义是检测器知道什么算病理与分类器利用剩余信号如何判病可以联合调整。

掩码预算如何分配，软掩码如何保持可微？

训练时总共有 40% 的波形采样点被掩码。论文选择该比例的意图是压制主导病理线索，迫使模型在剩余信号中发现更细微的分布式生物标志物。在离散分配的构想中，显著性超过 85 分位的帧被优先处理，其中 90% 的掩码预算投向这些区域，10% 保留为随机以维持随机正则化。验证数据在两种条件下都不掩码。随机掩码对照使用相同的总预算但位置均匀随机，从而把掩码本身的效果与显著性引导的效果分开。

由于基于跨度的离散分配不可微，实际端到端模型用连续软掩码替代。做法是对帧级分数减去可学习阈值再除以固定温度 0.1 后送入 sigmoid 门，得到接近二值但光滑的掩码值，掩码后波形为原波形逐点乘以 1 减掩码。阈值初始化为零并参与学习，温度越小越接近阶跃函数。掩码后波形经归一化送入 WavLM 与分类头，用标准交叉熵训练。因为从特征提取经软掩码到分类的每一步都可微，损失对注意力参数与阈值的梯度可以回传，优化器用 AdamW 联合调整检测器认为何为病理以及分类器如何利用剩余信号。

需要指出论文未报告温度系数与学习率之外的注意力初始化细节，也未给出阈值与注意力权重的梯度量级分析。复现时应先按原文固定掩码超参数，再观察权重是否从均匀起点分化，若不分化则检查梯度是否经软掩码正常回传。

在哪些数据与训练条件下比较？

评估覆盖 6 个公开临床语音数据集、3 种疾病与 5 种语言。阿尔茨海默病部分包括英语图片描述的 ADReSS 与 ADReSSo、中文同类任务的 NCMMSC2021，以及多语言的 ADReSS-M。帕金森病用西班牙语的 NeuroVoz，抑郁筛查用意大利语朗读任务的 Androids。论文说明有官方划分则用官方划分，否则构建说话人无关的 80 比 20 训练验证划分并固定随机种子为 42。任务均为疾病相对健康对照的二分类。

模型与优化条件统一且无逐数据集调参。骨干为来自 HuggingFace 的 WavLM Base 预训练 checkpoint 加二分类头，输入统一为 10 秒波形。训练 20 个轮次，批量为 4，优化器为 AdamW，学习率为 2 乘 10 的负 5 次方，权重衰减为 0.01，余弦学习率调度加 10% 线性热身，自动混合精度，梯度裁剪范数为 1.0。掩码超参数固定为概率 0.4、病理比例 0.9、分位 85。论文还用不同随机种子做了额外运行，报告病理感知相对随机的优势保持一致，但未给出多次运行的方差数值。

比较的公平条件值得复述。主比较是相同预算下的随机掩码与病理感知掩码，共享骨干、输入长度、优化器与轮数。Compare 列还列出各数据集近期代表性系统的文献值，其中多为结合大语言模型语言特征或自动语音识别文本的系统，而 PAN-Mask 为纯声学，因此该列是背景参照而非同条件对照。

跨疾病与语言的主结果支持什么判断？

要回答的核心问题是：在相同预算与相同训练流程下，把掩码集中到高显著帧是否稳定优于均匀随机掩码。指标是验证准确率，方向为越高越好。下表整理论文报告的 6 个数据集结果与平均值，策略列为随机掩码与病理感知掩码，另附文献参照列的性质说明。阅读时注意百分点增益与相对百分比不同，论文报告的是百分点。

上表显示病理感知掩码在 6 个数据集上全部高于随机掩码，增益范围为 8.31 到 22.72 个百分点，平均为 13.82 个百分点。论文报告该平均值是对六集增益的算术平均。代价与反例也要同时看到。在 ADReSSo 上，病理感知掩码的 76.47 仍低于融合声学与语义嵌入的多模态系统 84.1，论文把差距归因于对方使用了额外语义信息，而本方法只用语音信号。这一未胜出项说明纯声学正则化不能替代语言语义，跨语言图片描述任务中语义仍有独立价值。训练曲线进一步显示优势在多数轮次中保持，而非仅在最优点出现。

下图为 6 个数据集验证准确率随训练轮次的变化，蓝色实线为病理感知，灰色虚线为随机。

看图路径： 1. 对比每个子图中蓝色实线与灰色虚线在 20 个 epoch 内的相对位置；2. 注意 ADReSS 子图早期波动大而 NCMMSC 子图蓝色线快速抬升并保持高位；3. 查看星形标记指示的各数据集最优点大致对应的验证准确率

论文图 2。原论文 Figure 2：“Validation accuracy across training epochs.”。

像素显示 6 个子图横轴均为轮次至 20，纵轴为验证准确率百分比。蓝色线在 NCMMSC、Androids 与 NeuroVoz 上较早抬升并维持高位，在 ADReSS 与 ADReSSo 上波动较大但峰值仍高于灰色线。星形标记标出各集的最优点，与主表峰值对应。这支持论文的判断，即相同描述子无需任务特定调参即可跨疾病与语言带来一致增益，但也提示小数据集上曲线方差大，单一种子最优点可能高估稳定期望。

下图为跨数据集学习到的病理特征权重热图，用于解释模型在不同疾病上依赖哪些声学维度。

看图路径： 1. 按行读六个数据集的权重分布，确认每行和接近 1 的注意力归一化含义；2. 对比 AD 行偏重嗓音质量与周期性而 PD 行偏重停顿与周期性的列差异；3. 结合右侧颜色条判断深色格对应的高权重数值

论文图 3。原论文 Figure 4：“Heatmap of learned pathology feature weights across datasets.”。

像素显示行为 6 个数据集，列为节律、停顿、基频、能量、嗓音质量与周期性，格内数值为归一化注意力权重。ADReSS 行在能量与周期性上较高，ADReSSo 与 ADReSS-M 及 Androids 行在嗓音质量上达到 0.22 到 0.24，NCMMSC 行在基频上达到 0.23，NeuroVoz 行在停顿与周期性上达到 0.20。论文据此指出阿尔茨海默病偏重嗓音质量异常与周期性指向发声不稳定，帕金森病偏重停顿似然与周期性对应启动延迟与震颤，抑郁偏重嗓音质量与节律不规则对应精神运动迟缓。这些属于有限解释而非因果证明，权重高只表示优化后更依赖该维度，未测量去除该维度后的误判率变化。

拿掉可学习权重或换成随机掩码会发生什么？

消融要回答两个操作问题。第一，掩码是否需要病理指导。第二，病理指导中的特征权重是否需要端到端学习。论文比较 4 种策略：无掩码的标准微调、均匀随机掩码、病理感知加固定均匀权重、病理感知加端到端学习权重。四者在 6 个数据集上用相同骨干与流程比较，指标仍为验证准确率。

上表的主要收益是可学习病理掩码在 5 个数据集上取得最高值，并在全部六集上超过随机掩码。具体代价与反例同样明确。随机掩码在所有六集上都低于无掩码，说明无指导的遮挡确实有害。固定均匀权重的病理掩码虽多数能恢复或超过无掩码，但在 ADReSSo 上仅 58.8，低于无掩码的 73.5，暴露了均匀加权不能跨疾病适应的不稳定性。可学习版本纠正了这一失败，支持联合训练发现疾病特异生物标志物模式的核心设计。NeuroVoz 是一个边界例子：固定权重与可学习权重同为 89.8 左右，说明在该集上学习的增量有限，总体趋势不等于每集都有大幅提升。 下图为四策略柱状消融，阅读时按数据集分组比较柱高顺序。

看图路径： 1. 在每个数据集分组内从左到右比较四根柱子的高度顺序；2. 重点看随机掩码柱是否低于无掩码柱以及可学习病理掩码是否为最高；3. 注意 ADReSSo 上固定权重柱明显偏低这一不稳定例子

论文图 4。原论文 Figure 3：“Ablation study across six datasets. Bars denote No mask, Random, Pathology with fixed weights, and Pathology with learned weights (E2E).”。

像素显示横轴为 6 个数据集并按阿尔茨海默病、抑郁与帕金森分区，纵轴为验证准确率百分比，图例区分无掩码、随机、固定病理与可学习病理四色。可见灰色随机柱在每组均为较低者，深色可学习柱在多数分组为最高者，ADReSSo 组中浅蓝色固定柱明显偏矮，与上表数值一致。这组像素细节与论文文字互相印证，复述时应强调固定权重的不稳定而非只报平均增益。

证据边界与尚未验证的推测有哪些？

首先区分 3 类陈述。论文直接报告的是在给定划分、种子与超参数下病理感知掩码的验证准确率高于随机掩码。有限解释是注意力权重分布与临床文献一致，因而具有可解释性。未验证推测是该方法能推广到未见语言、未见录音条件或真实部署中的延迟与误判成本，因为论文未测量推理开销、输出帧率、实际延迟与假阳性代价，也未做跨语料训练测试。

数据与统计方面的缺项需要明确。论文对无官方划分的数据集用固定种子 42 构建说话人无关划分，但未报告多次划分的方差与显著性检验。额外种子运行只定性说明相对优势一致，未给出标准差。Compare 列的文献系统训练数据、划分与指标实现可能不同，不能当作同条件胜负。ADReSSo 的差距提示多模态语义仍重要，但论文未做声学加文本的融合消融，因此不能断言加上语义后增益是否保留。

方法方面的边界也应保留。掩码比例、病理比例与分位阈值在所有数据集上固定，未做超参数敏感性分析。软掩码是衰减而非删除，其类 Dropout 的类比是概念解释而非性质证明。权重演化显示约 10 个轮次内从均匀起点分化，但论文未报告注意力温度的具体取值与阈值学习动态，复现时若温度过大或过小都可能影响门的二值程度与梯度流动。资源状态方面，未发现来源绑定且完成验证的开源代码、模型或数据链接，因此不得声称代码或权重已公开。

要复现先做什么，需要哪些关键超参数？

复现的第一步是准备数据与划分。按论文收集 6 个公开数据集，优先用官方划分，否则按说话人无关原则做 80 比 20 划分并固定种子 42。所有波形重采样到 16 kHz 并统一截断或补 0 到 10 秒。验证集全程不掩码，这是保证比较有效的必要条件。

第二步是实现检测器与掩码。分帧用帧长 512、帧移 256。用 GPU 原生算子计算 6 维特征并逐话语最小最大归一化到 0 到 1。注意力用两层结构，瓶颈 16，温度 softmax 归一化，输出帧级分数。训练掩码预算为 0.4，分位 85，病理区占 90% 预算加 10% 随机，实际训练用温度 0.1 的 sigmoid 软掩码替代离散分配，阈值从零开始学习。骨干用 WavLM Base 加二分类头，训练 20 轮，批量 4，AdamW 学习率 2 乘 10 的负 5 次方，权重衰减 0.01，余弦调度加 10% 热身，混合精度，梯度裁剪 1.0。

第三步是先跑可运行对照。再跑文献最优或多模态系统只能作为背景参照，不能替代随机掩码基线。建议记录每轮验证准确率而非只记最优点，并保存注意力权重矩阵以检查是否从均匀起点分化。若在小数据集上波动大，应增加种子数并报告均值与 spread，而不是只挑最高星点。还需补的验证包括超参数敏感性、跨语料泛化、去除单维特征后的性能变化，以及推理耗时与内存占用，因为原文未报告这些成本。

何时值得尝试这种掩码，何时应谨慎？

当任务具有稀疏且局部的病理线索、模型容易记住少数显著帧，而你又希望保持纯声学与跨数据集统一超参数时，PAN-Mask 值得尝试。它的操作含义很具体：先估计显著性，再把有限的掩码预算花在刀刃上，最后让梯度同时教会检测器与分类器。这种任务感知正则化的思路与通用随机增强不同，更接近针对捷径学习的干预。

当任务高度依赖语言语义、数据存在明显领域偏移，或你需要严格的延迟与误判率保证时应谨慎。ADReSSo 的例子表明声学正则化不能弥补语义缺失，多语言与不同录音条件的泛化仍待验证。教学上容易产生的误解有三点需要纠正。第一，遮住病变帧不是删除证据，而是衰减主导线索以挖掘互补证据。第二，注意力权重高不等于该声学维度是病因，只是优化后更依赖。

第三，平均增益 13.82 个百分点是相对随机掩码的验证准确率差，不是相对无掩码，也不是相对多模态最优系统的可部署收益。带着这些条件去读表与看图，才能把方法复述为可执行的流程而非笼统的效果断言。

⚖️ 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