没见过的搭嘴音为何反而认得更准：自监督模型在 G|ui 与 West !Xoon 上的微调检验

英文题目：Pretrained self-supervised speech models can recognize unseen consonants

会议身份：conference:interspeech:2026:conference-paper-id:taguchi26_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 #自监督学习 #跨语言 #低资源 #语音识别

评分：5.5/10 | 创新 1.2/2 | 技术严谨 1.0/1.5 | 实验充分 0.8/1.5 | 清晰度 0.7/1 | 影响力 0.7/1.5 | 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：应用研究

👥 作者与机构

• Chihiro Taguchi：机构信息未能从会议 PDF 纯文本可靠映射
• Éric Le Ferrand：机构信息未能从会议 PDF 纯文本可靠映射
• Hirosi Nakagawa：机构信息未能从会议 PDF 纯文本可靠映射
• Hitomi Ono：机构信息未能从会议 PDF 纯文本可靠映射
• Kanji Kato：机构信息未能从会议 PDF 纯文本可靠映射
• Emily Prud’hommeaux：机构信息未能从会议 PDF 纯文本可靠映射
• David Chiang：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

该任务输入为 G|ui 语和 West !Xoon 语的野外叙事与诱发语音，输出为包含 40 余种搭嘴音的音素转写，难点是搭嘴音在主流预训练中几乎缺席且伴随声调与元音复杂变化。方法链分三步：先构建两套低资源语料并统一去声调与正字法，再加载 Wav2Vec2 系与 HuBERT 系的多语或单语预训练编码器并叠加联结时序分类解码层，最后以全参数微调适配目标语言并用贪婪与束搜索加 n 元语言模型解码评分。与依赖目标音素在预训练中充分出现的直觉不同，自监督掩码预测学到的声学表征可迁移到未见的爆裂类搭嘴音。在贪婪解码评测设置下，搭嘴音辅音的错误率低于非搭嘴音辅音的错误率，Wilcoxon 符号秩检验给出 W 为 0 与 p 为 0.016。该结论的适用边界受限于全参数微调与字符级评估条件，冻结编码器时性能会大幅下降且尚未验证零样本外推。结论仅适用于全参数微调加字符级评估的搭嘴音辅音识别，不保证冻结编码器、零样本或元音与声调同样成立。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

为什么罕见搭嘴音是检验表示泛化的好探针？

这篇解读的输入是论文正文与本次收到的官方原图像素，目标是让刚进入语音领域的研究生能复述数据、微调、解码与评价全链路。必须保留的信息包括两种语言的来源与划分、7 个模型的预训练语言数与是否含搭嘴语言、统一的微调超参数、4 种解码条件、字符错误率与音素错误率的定义差异，以及搭嘴低于非搭嘴的统计检验结论。输出按学习依赖展开，不做超出证据的效果承诺。

搭嘴音用白话说就是靠口腔内形成闭塞再突然解除吸气发出的爆破音，英文叫 click consonants。论文研究的正是这类在高资源语言中几乎缺席的声音。语音识别里的自监督预训练指只用无标注音频做掩蔽预测，学出上下文相关的帧表示，英文叫 self-supervised pretraining。它的吸引力在于先在大规模多语音频上学通用表示，再用少量标注做微调，英文叫 fine-tuning。

但预训练语料偏向英语等大语种，典型罕见音可能从未出现，这就带来一个可检验的问题：表示是记住了训练音素，还是学到了能迁移到新发音动作的声学结构。论文选择 G|ui 与 West !Xoon 两种语言，正是因为它们分属不同语系却都有极丰富的搭嘴库存。G|ui 约有 52 个搭嘴辅音与 38 个非搭嘴辅音，West !Xoon 有 43 个搭嘴辅音。

更关键的是，预训练中即使包含祖鲁语等搭嘴语言，也只覆盖其中一部分搭嘴类型，腭搭嘴与双唇搭嘴在这些高资源搭嘴语言中并不出现。这构成了一个自然的未见音素测试。如果模型只会复述预训练音素，它应在这些类型上明显吃亏。如果它仍能认准，就支持自监督表示具有跨发音方式的泛化能力。

同任务的两种技术路线各解决了什么？

把语音转成文字的主流路线在论文背景中被分成两类。第一类是编码器自监督加语言相关微调，以 Wav2Vec 2.0 为代表，英文叫 encoder-only self-supervised training。做法是先掩蔽部分帧并量化为码本向量，用对比损失学上下文表示，微调时只加一层联结时序分类层逐帧预测符号，英文叫 Connectionist Temporal Classification。它的分工是预训练管表示、微调管对齐，适合标注极少的语言。

第二类是编码器到解码器有监督翻译式训练，以 Whisper 为代表，英文叫 encoder-decoder supervised training。做法是编码器输出向量经交叉注意力送入解码器自回归预测词符，用词级交叉熵训练。它的分工是声学与语言建模联合优化，但需要大量配对数据，且自回归解码会引入上下文帮助。

论文明确只比较第一类而不比较第二类，理由在正文中写得很直接：自回归解码的上下文信息会帮助搭嘴识别，混淆对声学表示本身的考察。要理解这个选择，可以举一个教学例子：例子中若解码器已看到前文是某个名词，后接搭嘴开头的词会因语言概率被抬高，即使声学证据很弱也能猜对。论文要测的是声学表示是否编码了未见搭嘴的爆破特征，因此必须用帧级分类加贪心或束搜索这种弱语言先验的解码。

已有工作报告自监督模型学到了通用语音表示与语言无关的音素信息，对未见语言鲁棒，但是否鲁棒到单个未见音素仍未知。论文把比较限定在 Wav2Vec2 系列与 HuBERT 之间，正是为了在相同微调与解码条件下回答该问题。

论文把中心问题拆成了哪三个可测问题？

中心问题是：以非搭嘴语言为主预训练的多语自监督模型，能否像识别其他音素一样准确识别搭嘴辅音。论文把它拆成 3 个可操作的子问题。第一，整体建模是否可行：在只有约 5 小时 G|ui 叙事语音与约 1.75 小时 West !Xoon 诱发语音的条件下，全参数微调后能否得到可用的字符与音素错误率。

第二，类别间是否公平：用同一对齐算法分别统计搭嘴、非搭嘴辅音与元音的错误率，检验搭嘴是否系统性更高。第三，规模与语言数是否决定成败：比较 300M 与 1B 参数、53 种、128 种、1400 余种与单语英语预训练，检验更大或更多语种是否必然更好。

指标方向需要先讲清。字符错误率英文叫 Character Error Rate，简称 CER，论文用它做训练中选择检查点的验证指标。音素错误率英文叫 Phoneme Error Rate，简称 PER，论文把它作为报告指标，并把多字母组合与带伴随的复杂搭嘴视为单个符号。例如正字法中的多字符搭嘴不应被拆成多次错误，否则会夸大搭嘴误差。

对齐用 Needleman-Wunsch 算法求参考与预测转写的最优对齐，再按类型统计。显著性用 Wilcoxon 符号秩检验比较贪心解码下搭嘴与非搭嘴的误差，报告显示搭嘴显著更低。若只看整体 PER 下降而忽略按类型拆分，就无法回答公平性问题，这也是论文坚持分类型报告的原因。

从一段录音到转写文本要走哪几步？

沿一个样本走完全程有助于建立全局图。输入是一段约 5 秒的野外叙事或诱发语音，采样后送入已预训练的 Wav2Vec2 或 HuBERT 编码器，得到每 20 毫秒左右 1 帧的上下文向量。微调阶段在编码器上加一个随机初始化的词表输出层，对 G|ui 或 West !Xoon 用联结时序分类损失训练全部参数，目标是让每帧输出正确字符的后验。

推理时对帧后验做贪心取最大、束宽为 50 的束搜索，或再加 3-gram 与 5-gram 语言模型重打分，最后坍缩连续重复符号得到字符串。文本预处理先去掉声调符号并小写化，去掉括号等非音素符号，再按空格切词。评价时把预测与参考字符串先做最优对齐，再分别统计搭嘴、非搭嘴与元音的错误。

自监督预训练 × 联结时序分类微调： 自监督预训练负责在无标注音频上通过掩蔽预测学习上下文相关的帧表示，联结时序分类微调负责在 G|ui 与 West !Xoon 标注数据上为每帧预测字符后验并坍缩重复符号，二者搭配的理由是前者提供可迁移的声学编码、后者只增加一层输出即可解决变长对齐，组合意义是少量搭嘴音标注就能把未见音素纳入同一解码路径。

该链路的关键控制是所有模型用同一套超参数与同一训练文本估计的语言模型，避免把数据划分或解码调参的差异误读为预训练的差异。论文还对 mms-1b-all 做了冻结基座只更新适配器的对照，目的是分离表示质量与微调自由度的作用。若冻结后误差接近翻倍，就说明仅靠轻量适配器不足以把未见搭嘴映射到输出层，必须更新基座参数。这一设计直接对应方法部分的安排理由，而不是事后解释。

Wav2Vec2 与 HuBERT 的掩蔽目标有何不同？

两个架构都用掩蔽预测，但离散目标的来源不同。Wav2Vec2 把未掩蔽帧量化为码本向量，对掩蔽位置预测上下文向量，用对比损失拉近预测与本帧码向量并推开其他码向量，同时鼓励使用多样的码向量。HuBERT 则先在梅尔频率倒谱系数上做 k-means 聚类得到伪标签，再训练模型预测掩蔽帧的聚类编号。白话说，前者是边学边建码本，后者是先用声学聚类定好答案再学预测。

两者都迫使模型利用长上下文还原被遮住的频谱细节，这被认为是学到音素级结构的原因。

Wav2Vec2 × 对比损失： Wav2Vec2 负责把掩蔽位置编码为上下文向量，对比损失负责拉近预测向量与本帧码本向量并推开其他码向量，二者搭配的理由是掩蔽迫使模型利用上下文、对比与码本多样性约束防止表示坍缩，组合意义是形成对爆破瞬态有区分度的帧表示。

HuBERT × k-means 伪标签： HuBERT 负责用 Transformer 预测被掩蔽帧的离散类别，k-means 伪标签负责先在梅尔频率倒谱系数上聚类给出稳定的声学目标，二者搭配的理由是以声学聚类代替可学习码本也能提供掩蔽预测监督，组合意义是仅用英语预训练的表示仍能在微调后区分多种搭嘴部位。

从复述角度要记住 3 个实现细节。第一，论文比较的 7 个检查点覆盖 300M 与 1B 两种规模，预训练语言数从 1 种英语到 1400 余种不等，含搭嘴语言的只有祖鲁语、科萨语与北恩德贝勒语等少数。第二，mms-1b-all 默认追加语言相关的适配器与词表层，其他模型只追加词表输出层。第三，微调时注意力丢弃、隐藏丢弃、特征投影丢弃与层丢弃都置零，掩蔽时间概率为 0.05，损失在批次上取均值。这些设置保证小数据微调时不因过强正则而欠拟合，也让不同预训练的比较更公平。

微调与解码的每一步参数是如何固定的？

训练流程按原文交代是全参数微调，优化器、轮次、学习率、批次与热身步数都统一固定，验证指标用 CER，取训练过程中 CER 最低的检查点做测试推理。推理有 4 种联结时序分类解码：贪心、束搜索、束搜索加 3-gram、束搜索加 5-gram，束宽固定，语言模型用 kenlm 在同一训练语料上估计，用 pyctcdecode 实现声学与语言模型融合。

束搜索解码 × n-gram 语言模型： 束搜索解码负责保留多条字符路径并按声学分数排序，n-gram 语言模型负责用训练文本的三元与五元统计为路径加分，二者搭配的理由是声学模型只给帧级后验、语言模型补充词序列先验，组合意义是可以在贪心、束搜索、加 3-gram 与 5-gram 4 种条件下检验搭嘴优势是否依赖文本上下文。

需要区分冻结与全量更新两条梯度路径。全量更新时梯度流入编码器全部 Transformer 块与输出层，监督来自标注字符的联结时序分类损失。冻结基座对照只更新适配器参数，编码器表示不再变化，论文报告此时 G|ui 的 PER 接近翻倍，支持必须更新基座才能适配未见搭嘴的判断。原文未报告逐层学习率、梯度裁剪阈值与早停耐心等细节，复现时应视为缺项而不应从模型名推定。

下表把可运行策略的优化与解码预算集中为一张核对表，比较问题是不同模型是否在同一轮次、同一优化器与同一束宽下比较，公平条件是同语料估计语言模型与同验证选点，指标方向是误差越低越好但须同时记录训练耗时。表后说明给出代价与反例。

表后解释要看到具体代价与反例。全量微调是获得搭嘴优势的前提，冻结基座的轻量适配在 G|ui 上接近翻倍误差，因此低资源部署若想省显存必须接受精度损失。1B 模型与 1400 余语种预训练并未带来单调增益，反而在小数据上可能输给更小的单语或少语模型。原文未给出各搭嘴类型在预训练音频中的实际时长，因此无法量化未见程度，复现应以论文描述的超参数与公开工具链为准。

数据从哪里来、如何划分、如何保证可比？

G|ui 数据是 50 段在博茨瓦纳新卡德采集的户外叙事，内容为民间故事或个人经历，按空格切词后训练与测试按约 9 比 1 划分，且因数据有限不设验证集。West !Xoon 数据是 DoBeS 项目约 150 分钟诱发语音，经半自动语音文本匹配检查、丢弃失配并手工修正轻微错位后，按约 8 比 2 划分。两种语言都是声调语言，但数据中声调标注不一致，论文统一去掉 3 类声调符号并小写化，移除括号等非音素符号。

G|ui 数据集因含可识别个人信息且发布授权不完整，当前不能视为已公开。关于代码与模型的公开状态，本次收到的资源状态没有可验证的可用链接，因此不能声称已公开或当前可用，只能以论文脚注的未来公开意向为待验证事项。

搭嘴类型 × 伴随成分： 搭嘴类型负责区分齿、齿龈、腭、边与双唇等吸气部位，伴随成分负责区分清音、浊音、送气、挤喉、鼻化与小舌释放等喉头与鼻腔维度，二者搭配的理由是同一部位可与十余种伴随组合成数十个音位，组合意义是评价必须同时覆盖部位泛化与伴随泛化。

下表提出比较问题：在样本数与时长差异下，两套数据的训练与测试划分是否如原文所述，以及总时长量级是否支持小数据微调结论。公平条件是同一按词切分与同一声调去除流程，指标方向是样本数与秒数越大表示训练资源越多。表后解释见表下段。

表后解释需要同时看到收益与代价。G|ui 训练样本与时长明显多于 West !Xoon，这有助于解释 G|ui 整体误差更低，但也意味着跨语言比较整体 PER 时必须考虑数据量差异，不能直接归因于语言难度。West !Xoon 总时长仅约 1.75 小时且测试占 20%，小测试集上方差更大，分类型误差更易波动。

未胜出项是 G|ui 虽数据更多仍未设验证集，用训练 CER 选点可能偏向训练分布，这是小数据研究的固有限制。原文表头与算术存在个别合计不一致，解读时不自行凑整，复现应以原始切分脚本为准。

下表继续核对模型侧的公平条件，比较问题是预训练规模与语言数是否与是否见过搭嘴语言混杂，公平条件是同一微调轮次与同一解码预算，指标方向仍是误差越低越好。表后解释见表下段。

表后解释要强调未见程度的细节。即使含搭嘴语言的模型也只见过祖鲁语等班图语的部分搭嘴类型，腭搭嘴与双唇搭嘴在这些语言中并不出现，因此不能把含 zul 简单等同于见过全部搭嘴。单语英语 HuBERT 的 Click langs 为 NA，构成最干净的未见对照。未胜出项是超多语并未保证更好，复现时不应默认语言数越多越好，而应把预训练语言名单与实际搭嘴覆盖分开记录。

搭嘴音真的比非搭嘴音更好认吗？

主结果按问题组织。测的是微调后 7 个模型在两种语言上的 PER，随解码条件变化。比较对象是同模型在搭嘴、非搭嘴辅音与元音上的分类型误差，以及不同预训练规模与语言数之间的整体排序。条件一致性由统一超参数、统一语言模型文本与统一验证选点保证。指标方向是误差越低越好。

关键判断是：在贪心解码下搭嘴显著低于非搭嘴，Wilcoxon 检验统计量为 0 且显著性水平达到要求。支持的判断是自监督预训练支持对未见搭嘴的泛化，限制是该结论依赖全参数微调与当前正字法下把复杂搭嘴计为单个符号的评价口径。

以下导读针对本次收到像素的原图，该图为论文图 3 即 G|ui 按发音方式统计的 PER，上下面板分别对应两种语言条件下的搭嘴、非搭嘴与元音分组，纵轴为误差率。阅读时先确认横轴分组与纵轴含义，再看组内柱子高低，不要把纵轴刻度误读为百分比精度的绝对值。

看图路径： 1. 先确认横轴三组 Clicks、Non-Clicks、Vowels 与纵轴 0.000 到 0.500 的误差率刻度；2. 再对比同一组内七根柱子的高低，判断搭嘴组是否系统性更矮且更整齐；3. 最后对照上下两个面板的组间排序，确认该趋势在两种数据条件下是否一致

论文图 1。原论文 Figure 3：“PER by manner of articulation in G|ui.”。

该图显示 3 个分组从左到右为搭嘴、非搭嘴与元音，每组内有多根代表不同模型的柱子。上方面板中搭嘴组柱子整体最矮且左侧四根明显低于右侧三根，非搭嘴组居中但右侧三根显著抬高，元音组最高且个别柱子接近纵轴高位。下方面板中搭嘴组柱子整体仍最矮且组内高低差异较小，非搭嘴组居中，元音组最高。这支持正文所说的搭嘴更准且更稳定、元音相对更难。

像素不能精确辨别每根柱子的具体数值与模型颜色对应，因此不硬写某模型的具体小数，只报告组间排序与稳定性差异。结合正文补充可知，元音错误多为口音、鼻化与长音之间的混淆，这类渐变连续体的区分难度大于搭嘴爆破的瞬态区分难度。

分模型看，未胜出项同样重要。1B 模型并未系统性优于 300M，wav2vec2-xls-r-300m 时常优于同系列 1B 版本，hubert-large 在 West !Xoon 上持续优于 hubert-xlarge。超大规模多语也未保证更好，单语英语预训练的 HuBERT 在两种语言上整体最好，Wav2Vec2 系列中预训练语言最少的 xlsr-53 在 West !Xoon 上反而是该系列内最好。这说明在当前小数据全量微调下，规模与语言数不是单调决定因素，复现时不应默认越大越好。

去掉全量更新或换解码条件结论还成立吗？

论文的反证主要来自两组对照。第一组是 mms-1b-all 冻结基座只训练适配器，此时 G|ui 的 PER 接近全量微调的 2 倍。这是一个失败条件对照：它显示仅靠输出层与轻量适配器不足以建立未见搭嘴映射，必须让梯度更新底层声学表示。若只报告全量微调的最优 PER，会掩盖该方法的自由度代价。

第二组是 4 种解码条件的扫描：贪心、束搜索、加 3-gram 与加 5-gram。原文报告的整体趋势是语言模型带来一定增益，但搭嘴优于非搭嘴的排序在贪心下已成立，因此不能把该优势完全归因于语言模型的事后纠错。贪心条件最能反映声学表示本身，因为它不依赖词序列先验。束搜索与语言模型更多是检验排序是否稳定，而不是替代可部署收益。

另一类特有细节是发音方式细分。图 3 的进一步拆分显示搭嘴在不同模型间波动小于其他发音方式，而元音与某些非搭嘴辅音波动更大。这支持感知显著性解释：搭嘴的吸气爆破具有陡峭的瞬态与高信噪比包络，即使预训练未见过该部位，微调后也易于与背景辅音分开。相反，元音长度、鼻化与发声态构成渐变连续体，野外录音与诱发语音的信道差异会放大混淆。

需要指出，原文未测量误判的延迟、计算开销与人工可懂度，因此不能把 PER 更低直接等同于用户体验更好或部署成本更低。总体趋势也不等于每组每步都成立，个别伴随成分稀少，单一样本错误会显著影响该细类的估计。

哪些边界没有被测到？

首先是数据边界。G|ui 为户外叙事，West !Xoon 为诱发语音，两种语体与信道不同，跨语言整体 PER 比较混杂了语体因素。G|ui 无验证集，West !Xoon 测试仅约两百余条，小样本下分类型误差的置信区间较宽，显著性检验虽报告显著但仅基于贪心解码的配对比较，换解码或换切分可能变化。

其次是标注边界。声调被统一去除，评价的是去调后的音素序列，不能推广到声调识别。复杂搭嘴计为单个符号的 PER 口径有利于搭嘴，若改用字符级 CER，搭嘴因正字法多字符可能显得更差，复现时必须同时报告两种口径以避免口径依赖的结论。

其次是模型边界。论文未比较自回归编码器到解码器模型，因此结论只适用于编码器加联结时序分类的微调范式。预训练含搭嘴语言的细节仅到语言名单，未给出各搭嘴类型在预训练音频中的实际时长与说话人多样性，无法量化未见程度。训练资源只报告 300M 模型约 70 分钟，未报告 1B 模型的完整耗时与峰值显存，推理帧率与实际延迟也未测量。

把总体趋势推广为每种搭嘴伴随都泛化是过度解读，稀有伴随仍需补验证。相关性不等于因果：搭嘴声学显著性与自监督泛化同时可以解释结果，论文未做分离二者的干预实验，因此显著性解释应表述为可能而非已证明。

要复现需要先准备什么、按什么顺序跑？

复现先做三件事。第一，按原文取得同样划分的音频与文本，执行去声调、小写化与去括号的清洗，并用同一脚本按空格切词统计样本数与词数，核对是否与上表量级一致。第二，准备 7 个检查点的权重与同一分词词表，为 mms-1b-all 准备适配器结构，为其他模型只准备输出层。第三，用 kenlm 在训练文本上估计 3-gram 与 5-gram，固定束宽、语言模型权重与长度惩罚，避免调参泄漏。

训练统一用 10 轮、学习率与批次的原文组合，前 100 步热身，正则丢弃置零，掩蔽时间概率为 0.05，以训练 CER 选点。硬件预算按 24 GB 显存的 A10 为参照，300M 模型 1 次微调约 70 分钟，1B 模型的耗时与峰值显存原文未完整报告，需自行记录。推理固定 4 种解码并用 Needleman-Wunsch 对齐统计分类型误差。

还需补的验证包括：保留声调的评价、字符级与音素级双口径、按伴随成分的细粒度误差，以及多次随机种子的方差。代码与权重链接本次未能确认可达，复现应以论文描述的超参数与公开工具链为准，不预设一键可运行。若把搜索最优检查点误当可部署策略，会高估实际收益，论文的做法是统一用验证 CER 选点，保留了可运行性。

何时值得尝试这条路线、还缺哪项验证？

当目标语言含有预训练未覆盖的特殊辅音、标注只有数小时且可用帧级分类解码时，值得尝试先用自监督编码器全量微调再加小规模 n-gram 的路线。它的适用条件是正字法稳定、复杂音素有明确单符号计数规则、训练文本足以估计语言模型。若标注含丰富声调或需要词级语言建模，则需另行评估自回归架构，不能直接套用本结论。

复现时先跑 300M 的 HuBERT 与 xlsr-53 贪心基线，确认搭嘴与非搭嘴的分类型排序，再加束搜索与语言模型检验排序是否稳定，最后才扩大到 1B 与超多语模型。这样的顺序能以最小算力验证核心判断，避免一开始就陷入大模型调参。

特有误解需要澄清。第一，单语英语预训练最好不等于多语预训练无用，它只是在当前两种语言与全量微调预算下的实测排序，换语体或换冻结策略可能反转。第二，搭嘴误差更低不等于搭嘴更容易学，它可能同时反映声学显著性与评价口径的影响，论文用单符号 PER 与统计检验控制了部分混淆，但未分离因果。第三，更大模型不差，只是不必然更好，在小数据上优化难度与过拟合风险会抵消容量优势。

缺失证据不是技术错误，未来需要补足稀有伴随的时长统计、多次划分的置信区间与部署侧的延迟功耗测量，才能把实验室的泛化证据转化为田野可用的系统选择。

⚖️ 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