从一条全局直线到多块局部仿射：SSL-GMMVC 在自监督空间做可解释音色搬移

英文题目：SSL-GMMVC: Interpretable Voice Conversion via Locally Linear GMM Transforms in Self-Supervised Representation Space

会议身份：conference:interspeech:2026:conference-paper-id:tanabu26_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：#众包评测 #自监督学习 #可解释性 #语音 #语音转换

评分：6.3/10 | 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 0.8/1.5 | 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

• Tomoya Tanabu：机构信息未能从会议 PDF 纯文本可靠映射
• Hiroshi Nishijima：机构信息未能从会议 PDF 纯文本可靠映射
• Daisuke Saito：机构信息未能从会议 PDF 纯文本可靠映射
• Nobuaki Minematsu：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

语音转换需将源说话人声学特征映射为目标说话人空间并合成波形，输出保持语言内容与自然度，难点在于特征空间按音素呈现异质局部结构而全局映射难以适应。第一步对WavLM-Large第6层源与目标特征做双向余弦最近邻匹配，得到伪平行帧对以提供联合建模的配对输入。第二步对拼接的联合向量用高斯混合模型估计混合权重、均值与协方差，以混合分量划分局部区域并刻画跨说话人联合分布。第三步依据源侧边缘计算各分量后验，将各分量条件期望仿射变换按后验加权求和得到转换特征，再经HiFi-GAN声码器合成波形。相比LinearVC的单一全局仿射，该后验加权多局部线性在K=1时退化为等价仿射，随混合数增大形成全局非线性而保留解析可解释性，全对角交叉对角变体则以对角约束实现位移加缩放。在30个有序说话人对、训练量N为200的客观评测中，4混合全协方差模型等错误率达到27.30%，超过同条件LinearVC非约束基线的25.88%，可懂度与自然度基本持平。作者承认高维下增大混合数时参数估计不稳定，且旋转平面跨分量与跨说话人对的对应关系尚未建立。原文未披露训练推理计算成本。

🔗 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

语音转换到底要改什么、留什么？

输入是源说话人的一段波形，目标是让听起来像目标说话人说出的同一句话，必须保留的是语言内容，必须搬移的是音色与发音习惯等说话人线索。初学者容易把任务理解成整体换音色滤镜，但论文处理的对象是逐帧的自监督特征序列，转换发生在特征空间，波形只是最后用声码器还原的结果。输出是目标音色的波形，评价要同时看像不像目标、内容能不能听懂、听感自然不自然，三者缺一不可。

论文把可解释性放在与性能同等重要的位置。深度模型可以把映射藏在多层非线性里，但研究者想知道每 1 帧走了哪条变换、变换做了多大幅度的缩放与旋转、不同音素是否走了不同分支。为此作者选择高斯混合模型这种参数含义明确的工具，用若干个局部仿射变换拼出全局非线性映射。每一步都有均值向量、协方差矩阵和后验权重，事后可以打开检查。

学习依赖上，先要理解语音转换的平行与非平行设定，再理解自监督表示为何能同时保留内容与说话人信息，最后才能理解为何单条直线不够用。原文指出全局线性变换无法适应可能随音素簇变化的局部结构，这正是引入混合模型的动机。后续所有实验条件、基线选择和分析手段都围绕这条矛盾展开：表达能力要比一条直线强，但每一步仍要能写出公式和解释。

同输入同目标下有哪些路线，为何还缺局部线性？

在同输入同目标的比较框架下，论文把相关工作分成 3 条路线。第一条是继续做复杂神经变换的自监督语音转换，例如以自监督特征为输入但变换本身仍用深层网络的系统，代表是文中提到的若干已有框架。第二条是极简操作路线，近邻替换和单次线性映射表明只在自监督空间做简单搬移也能得到可懂且像目标的语音。第 3 条是传统高斯混合语音转换，历史上在倒谱等特征上用联合高斯混合做概率变换，但当时不在自监督空间操作。

同运行阶段的对照更关键。论文选的直接对照是线性映射方法，它与本文方法共享特征层、声码器和最近邻对齐思路，唯一差别是把一个全局仿射换成多个局部仿射。深度基线选的是使用相同大模型特征与同类声码器的零样本模型，保证输入表示与合成后端尽量可比，而不是拿不同特征或不同声码器的系统比分数高低。

缺口在于极简路线虽然可解释但表达能力受限，深度路线虽然表达能力强但难以分析变换几何。本文的定位是用混合模型补上中间地带：比一条直线更能适应音素相关的局部结构，又比深层网络更容易说清每一步做了什么。理解这一点后，就不会把混合数增加简单理解成堆参数，而是理解成给特征空间增加可检查的局部划分。

要解决的具体问题是什么，难在哪里？

具体问题是非平行条件下的任意内容语音转换。训练时源和目标说的内容不同，没有逐帧对齐的平行语料，模型必须先自己构造伪平行对，再从中学习跨说话人映射。测试时给定源说话人没见过的新句子，要求输出目标音色且内容不变。论文用 6 个说话人之间的 30 个有序对来覆盖男到男、女到女与跨性别方向，避免只在容易的同性别对上报喜。

难点有 3 个。第一，对齐不可靠时学到的映射会把内容一起搬走，导致可懂度下降。第二，高维自监督特征下估计完整协方差需要大量数据，数据不足时参数不稳定，容易出现 artifacts。第三，评价本身是多目标的，说话人相似度、单词错误率与主观自然度可能互相牵制，只看其中一项会误判。

举一个教学用的例子而非论文数值：假设元音帧和擦音帧在特征空间朝不同方向分布，一条全局直线只能折中，同时让两类帧都偏离目标；若能先把两类帧分到不同分量再各学一条直线，就能分别贴合。这正是论文用混合模型处理异质结构的直觉，但实际分量是否对应音素类别需要用纯度等分析来验证，不能先入为主。

沿着一个样本走完输入到输出

先跟着一条源话语走完全程。波形进入语音编码器得到逐帧向量序列，每帧约对应几十毫秒的声学上下文。训练阶段另有一批目标语音走过同一编码器得到目标帧序列，两边内容不同因此帧数与顺序都不对齐。系统用双向余弦相似度最近邻匹配把源帧和目标帧配成对，再把每 1 对拼接成联合向量。推理阶段没有目标语音，只有源话语的特征序列逐帧进入已学好的显式函数，输出目标空间的特征序列，最后由声码器合成波形。

下图是全文管线的唯一总览，学习分支在上、推理分支在下，中间用混合模型参数衔接，读图时先分清训练才需要的配对构造与推理才使用的映射函数。

看图路径： 1. 先沿上方学习分支看源语音与目标语音如何分别经过编码再汇合；2. 再看最近邻加拼接框如何把两路帧序列变成联合向量；3. 接着看联合向量如何指向混合分布及其参数输出；4. 最后沿下方推理分支看源话语如何经过同一编码器和显式函数到达声码器

论文图 1。原论文 Figure 1：“Overview of SSL-GMMVC”。

从像素可见，上方两路波形分别标注源语音与目标语音，各自经过梯形编码器框后变成白色与斜线填充的帧条带，中间用虚线表示跨话语的最近邻连线，再经过标注最近邻加拼接的方框变成上下拼接的联合条带，箭头指向 3 维混合峰面表示估计联合分布，参数符号从峰面引出并向下指向推理分支的函数框。下方推理分支从源话语波形出发，经过同一编码器、帧条带、函数框、目标风格条带、梯形声码器框，最终得到转换后话语波形。这一布局说明训练与推理共享编码器但目标不同：训练是为了估计分布参数，推理是为了逐帧应用这些参数。

全景的要点是模块解耦。编码器与声码器是外部既有模块，本文不训练它们；最近邻匹配是构造伪平行数据的检索步骤；混合模型是唯一需要估计的转换模型；函数框是解析式而非神经网络前向。这种安排让每一步失败都有迹可循：对齐差会导致联合向量语义错位，混合估计不稳会导致映射抖动，声码器不匹配会导致即使特征正确听感仍差。

混合、权重与仿射各自做什么，如何拼成局部线性？

组件按依赖顺序是编码特征、配对构造、联合混合、后验加权与仿射输出。编码特征提供操作空间，配对构造提供监督来源，联合混合提供空间划分，后验与仿射提供逐帧执行。白话说，混合模型先把源与目标联合空间切成几个椭球区域，每个区域记住自己的中心位置与形状；遇到新源帧时先判断它更属于哪个区域，再用该区域记住的跨说话人相关性去修正。

自监督语音表示 × 高斯混合模型： 自监督语音表示负责把波形变成保留内容又携带说话人信息的帧级向量，高斯混合模型负责把配对后的源与目标向量联合分布切成多个局部区域，二者搭配的理由是前者空间已呈现按音素聚类的局部结构而后者恰好能给每个区域配一条仿射变换，组合意义是全局非线性但局部线性且每一步都有显式均值与协方差可查。

最近邻对齐 × 联合分布建模： 最近邻对齐负责在无平行语料时用余弦相似度把源帧和目标帧配成伪平行对，联合分布建模负责把拼接后的向量看成来自多个高斯分量的混合，二者搭配的理由是没有对齐就没有可估计的跨说话人对应关系，组合意义是把检索得到的对应关系沉淀为可用期望最大化算法估计的参数。

后验责任 × 仿射变换： 后验责任负责根据当前源帧更像哪个分量给出权重，仿射变换负责在该分量内做均值平移加协方差引导的线性修正，二者搭配的理由是硬切换会产生不连续而加权求和能平滑过渡，组合意义是转换函数写成后验加权的仿射和，每 1 帧的贡献来源都可追溯。

LinearVC × SSL-GMMVC： LinearVC 负责提供单次全局仿射变换的参照行为，SSL-GMMVC 负责把这一个全局映射拆成多个随输入变化的局部映射，二者搭配的理由是当混合数为一时后者数学上退化为前者，组合意义是可以用同一套数据和指标检验增加局部自由度是否真正带来说话人相似度收益。

符号与计算目标需要 1 次讲清。记源帧为高维向量，目标帧为同维度向量，拼接后维度翻倍。混合模型为每个分量保存权重、联合均值与联合协方差，均值可分成源块与目标块，协方差可分成源内、目标内与交叉块。学习目标是用期望最大化算法最大化联合似然，期望步计算每个样本属于各分量的责任，最大化步更新权重、均值与协方差直至收敛。推理时只用源侧边缘计算后验，再对每个分量做条件期望形式的仿射修正，最后按后验加权求和。原文明确给出混合数为一时退化为全局仿射的推导，这是理解多分量即多条局部直线拼出全局曲线的关键。

协方差有两种约束。完整约束允许矩阵无限制，能表达维度间的旋转与相关，但参数多、需要更多数据。对角约束要求 4 个分块都只保留对角线，相当于只学逐维缩放与平移，参数少、更稳定。论文同时保留两者是为了检验模型复杂度效应，而不是默认完整约束一定更好。实际选择要看训练量与目标：数据充足且追求相似度时用完整约束，数据少或追求稳定时用对角约束。

没有神经网络训练时，参数从哪里来、何时更新？

本研究没有训练编码器与声码器的神经网络权重。编码器是冻结的已有大模型中间层，声码器是他人已训练好并能接受该层特征的已有模型，本文的训练专指用期望最大化算法估计混合模型的权重、均值与协方差。监督来源不是人工标注的目标帧，而是最近邻检索构造的伪平行对，因此数据质量受检索相似度与训练话语数量直接影响。

声码器合成 × 转换特征： 转换特征负责承载已搬移到目标空间的声学信息，声码器合成负责把特征序列还原为波形，二者搭配的理由是变换只发生在特征空间而听感必须回到时域检验，组合意义是可懂度与自然度的好坏同时反映变换质量与声码器泛化能力，不能只归因于一端。

真实计算过程分 3 步。第一步是特征提取与配对：对每个说话人提取帧级特征，用双向余弦相似度最近邻匹配得到源与目标向量对。第二步是期望最大化迭代：期望步按当前参数计算每对样本的分量后验，最大化步用加权样本更新各分量的权重、均值与协方差，重复至收敛。第 3 步是推理应用：对测试源帧只用源侧参数算后验，再执行加权仿射求和，不再更新任何参数。原文未报告期望最大化初值、收敛阈值与随机种子等细节，这是复现时需要补记的缺项，不能从模型名称推定实现。

混合数与训练量的搭配是稳定性设计。原文把混合数上限设为四，且混合数为二时要求至少五十句、为四时要求至少一百句，原因是大混合数在小数据下高维协方差估计不稳定。这种门槛不是超参数搜索的最优值，而是为避免病态估计而设的运行条件。理解这一点才能正确解读小数据下无约束模型表现差的现象：那不是方法本身失效，而是参数量超过数据支撑能力的必然结果。

数据、基线与指标是否放在同一条件下比较？

数据来自英语 CMU ARCTIC，选 3 男 3 女共 6 人，每句约 2 到 3 秒。训练量取多个档位从十句到三百句，测试用训练未见过的四十句做可懂度与自然度评估，说话人相似度用转换语音与真实目标语音在不同内容下的判别来度量。主观听测只选 4 个覆盖全部性别方向的说话人对，每对每模型转五句，每样本收 5 条评分，并用真实对真实的注意力检查剔除乱答。

基线包含可运行的线性映射两种约束与深度零样本模型。线性映射的无约束版本对应全局仿射，仅偏置版本只允许逐维均值平移；深度基线用十句参考且预实验发现再增加参考不再提升相似度，因此固定为十句。编码器层、声码器与对齐方式在本文方法与线性基线之间保持一致，这是公平比较的前提。深度基线因已预训练而性能不随训练量变化，解读趋势时不能把它当成同训练量曲线上的一点。

指标方向必须先记牢。等错误率越高表示越像目标，上限为一半；单词错误率越低表示越可懂；预测平均意见分与人工平均意见分越高表示越自然。客观说话人相似度用说话人验证器对嵌入算余弦相似度，可懂度用公开语音识别模型转写后算错误率，自然度先用预测模型再用人工评分复核。不同指标不能互换，更不能把自动预测分当成人工听感。

下表把实验条件收拢为可核对的配置清单，读表时先确认特征、训练量、混合数与评价对数是否与后文结果表的切分一致。

表后需要说明公平性与代价。公平之处是线性基线与本文方法共享特征层与合成后端，差别只在映射本身；代价是深度基线不受训练量控制，混合数大的配置在小数据下被直接禁用以保证估计稳定。后文所有随训练量上升的曲线都应在这组约束下理解：无约束模型吃数据，对角约束模型更省数据，但两者都不存在跨特征或跨声码器的混杂比较。

多花的参数换来了什么，又在哪里没赢？

先看客观结果的问题组织。测的是相似度、可懂度与自然度三项，与谁比是同训练量下的线性映射与固定性能的深度模型，条件一致性靠共享特征与声码器保证。报告显示完整协方差的本文方法等错误率随数据量稳步上升，在一定数据量后超过无约束线性映射；对角约束版本在全部配置下超过仅偏置线性映射，且随混合数增加每步带来约一到 1.5 个百分点的提升。深度模型在除对角单分量外的所有本文模型之下，这是支持局部划分有效的直接证据。

可懂度与自然度的模式不同。无约束模型在极小数据下单词错误率高，但数据稍增就降到深度模型之下；完整协方差版本的可懂度始终略逊于无约束线性映射但接近可比，自然度在大训练量下追平线性映射并超过深度模型。对角约束版本即使在小数据下仍保持可懂，且在各档都优于仅偏置基线，自然度也更稳定。这说明参数少的约束用相似度上限换了稳定性，参数多的无约束用小数据风险换了大数据的相似度收益。

主观听测与客观趋势大体一致。无约束模型在二十句以上超过深度模型，相似度随数据量上升，并在两百句以上超过无约束线性映射；对角约束版本持续超过仅偏置基线并随混合数改善。但在十句时无约束模型因 artifacts 同时跌破深度模型的相似度与自然度，这是必须记住的反例：不是数据越少越能体现方法优势，而是低于估计门槛就会失效。

下图把几何层面的结果收拢为按性别方向切分的平均夹角，读图前先明确纵轴是源与转换后特征的每帧余弦夹角，角度小表示搬移幅度小而非质量差。

看图路径： 1. 先确认三块面板分别为总体与响音和阻音子集；2. 再比较行列表示的源性别与目标性别组合；3. 最后观察女到女格子颜色最浅且数值最小的稳定模式

论文图 3。原论文 Figure 3：“Average per-frame cosine angles between source and converted SSL features reported for each gender direction and for all / sonorant / obstruent regions.”。

从像素可见，三块面板标题分别标注总体平均 28.8 度与响音子集、阻音子集同样为 28.8 度，行表示源为男性或女性，列表示目标为男性或女性。女到女格数值最小约 25.8 度附近，男到男次之约 28.7 度，跨性别组合约二十九到 30.2 度，且响音与阻音之间没有明显差异。原文据此报告夹角通常在二十五到三十度范围，女到女最小、男到男次之、跨性别更大，并谨慎地把旋转角与说话人间声学距离的关系表述为初步提示而非定论。

这一节的判断因此是：相似度提升得到主客观双重支持，但小数据无约束配置与响音阻音无差异都是限制，总体趋势不等于每对说话人都成立。

分量选择与变换几何能否对应到语音结构？

论文特有的两类分析是分量选择与纯度的对应，以及变换矩阵的缩放与旋转分解。前者问混合模型是否按语音学类别分工，后者问学到的矩阵在几何上做了什么。两者都不直接决定分数高低，但决定方法是否真正可解释。

先看分量选择。分析用完整协方差两分量模型，在每对说话人留出的五十句上，用强制对齐得到响音与阻音标签，再用后验做软分配计算纯度。纯度高表示同一分量更倾向于接管同一类音素。下图左侧是源到目标说话人矩阵，右侧是按性别块平均的汇总，读图时注意对角线留白只是不做自转换。

看图路径： 1. 先看左侧源到目标说话人矩阵的对角线留白表示不做自转换；2. 再读每个格子内纯度数值并注意跨性别区域普遍偏低；3. 最后看右侧性别块平均与总体平均如何汇总同性别更高的趋势

论文图 2。原论文 Figure 2：“Purity between mixture selection and sonority (left: speaker pairs; right: gender-pair averages).”。

从像素可见，左侧矩阵横轴为目标说话人、纵轴为源说话人，格内数值多在 0.6 到 0.9 之间，右侧块平均显示男到男约 0.84、女到女约 0.78、跨性别约 0.74，总体约 0.77。原文据此报告总体纯度相对较高且同性别转换高于跨性别，但也承认不同说话人对之间存在波动。这种表述是有限解释而非因果证明：相关性支持分量捕捉到部分音素结构，但不能说分量就是音素分类器。

再看变换几何。分析退回到单分量以便比较，因为多分量下不同旋转平面尚无公认的匹配方法。作者先算每帧源与转换后特征的余弦夹角，再对转换矩阵做特征值分解，把每个特征值写成模长与辐角，分别解读为缩放与旋转平面角度。下图是 4 个代表性说话人对的谱，读图时先看上排模长曲线的收缩形态，再看下排角度曲线的发散形态。

看图路径： 1. 先看每组上方子图缩放因子随序号增大而单调衰减的曲线；2. 再看下方子图旋转角随序号增大而发散但前期保持小角度；3. 最后比较四个说话人对之间前期小角度区间的宽窄差异

论文图 4。原论文 Figure 4：“Spectra of eigenvalues of the conversion matrix for representative speaker pairs.”。

从像素可见，每组上方子图横轴为按模长降序的序号、纵轴为缩放因子，曲线从接近一快速衰减到接近零；下方子图纵轴为旋转角，模长大的前段角度小而集中，模长小的后段角度大且抖动剧烈。4 个说话人对共享收缩旋转的总体形态，但女到女对的前段小角度区间更宽，与上一节女到女夹角最小的趋势呼应。原文把变换概括为收缩旋转且信息集中在少数分量，对角度与声学距离的联系只用可能与待验证的语气，这是恰当的克制。

下表把可核对的关键数字收拢为第二张宽表，读表时注意等错误率方向与其他两项相反，百分点差值不能写成相对百分比。

表后必须点出未胜出项与边界。完整协方差版本在可懂度上没有超过无约束线性映射；十句时的无约束模型在主客观两端都输给深度模型；纯度分析只做到响音与阻音 2 分，没有细到音素；旋转谱分析只做单分量，多分量谱的跨分量对应仍是开放问题。这些负结果与未评测边界恰恰是可解释路线的诚实部分：知道哪里没赢，才知道何时该用对角约束、何时该增加数据、何时不该过度解读旋转角。

哪些结论还不能下，哪些条件没测？

直接报告与推测要分开。直接报告的是相似度随混合数与数据量提升、可懂度与自然度保持可比、对角约束在小数据更稳定、分量选择与响音阻音相关、变换呈收缩旋转。有限解释的是同性别纯度更高、女到女夹角更小。未验证推测的是旋转角反映说话人间声学距离，原文已明确说需要进一步研究，不能当成定论引用。

缺失证据不是技术错误，但必须列清。原文没有测量推理延迟、实时因子与内存占用，没有报告期望最大化初值与收敛细节，没有做细粒度音素或韵律层面的误判分析，也没有在噪声、跨语言或病理语音等条件下测试。因此不能承诺该方法更快、更省或更鲁棒，只能说它在给定数据与指标下更像目标且保持可懂自然。

总体趋势不等于每组都成立。纯度在不同说话人对之间有波动，相似度优势只在特定训练量门槛后出现，十句时的无约束模型反而更差。引用时应带上条件：完整协方差多分量需要上百句支撑，对角约束多分量适合数据受限但相似度上限较低，跨性别转换的搬移幅度更大因而更考验稳定性。

复现先做什么，需要哪些信息条件？

复现的第一步是冻结外部模块。按原文用大模型第六层特征，帧长与采样率与原文一致，用双向余弦相似度最近邻构造伪平行对，用他人已训练好的同层声码器合成，不要自行更换层数或声码器，否则无法判断收益来自映射还是后端。资源状态是正文开源声明的唯一依据，本次未发现来源绑定且完成验证的资源，因此不得声称代码模型或数据已公开，应按论文描述自行实现期望最大化与加权仿射。

第二步是按门槛配数据与混合数。十句、二十句档只跑单分量，五十句以上再试两分量，一百句以上再试四分量；完整与对角两种协方差都要跑，才能复现复杂度效应。评价要同时跑说话人验证等错误率、识别单词错误率与预测平均意见分，再抽 4 个性别方向做小规模人工听测，避免只看单一指标。

第 3 步是复现分析而非只复现分数。用强制对齐得到响音阻音标签并按原文公式算纯度，检查同性别是否高于跨性别；对单分量矩阵做特征值分解并按模长排序画缩放与旋转谱，检查前段小角度与后段发散的收缩旋转形态。若纯度或谱形态对不上，应先查对齐质量与协方差估计是否病态，再查声码器是否匹配，不要直接调大混合数掩盖问题。

何时值得尝试，一句话如何复述方法？

当任务需要在自监督空间做可检查的音色搬移，且能提供几十到上百句目标语音时，值得尝试本文方法。数据充足就用完整协方差多分量追求相似度，数据紧张就用对角约束多分量保稳定，极小数据则应先用单分量或仅偏置基线，避免无约束大模型出现 artifacts。跨性别转换要预留更多数据与试听，因为搬移角度更大。

可复述的方法是：把源与目标帧用最近邻配成对并拼接，用高斯混合拟合联合分布并用期望最大化估计参数，推理时按源侧后验把各分量的条件期望仿射加权求和，再经声码器合成。混合数为一即退化为全局线性，混合数大于一即得到局部线性而全局非线性的可解释映射。

还需补的验证是多分量旋转平面的对应方法、细粒度音素层面的分工、以及延迟与成本的实测。只有补上这些，才能把收缩旋转的几何观察从有趣的相关性变成可用于设计的规律。记住论文特有的误解纠正：角度小不等于质量差，纯度高不等于分量就是音素分类器，等错误率高才是更像目标，而自动分数高不等于人工听感好。

⚖️ 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