在决策边界上现造难题：ADALA 用强化学习驱动大模型生成难负例

英文题目：ADALA: A Wake-up Word Detection Framework Based on Adaptive Semi-supervised learning and Large Language Model

会议身份：conference:interspeech:2026:conference-paper-id:tang26_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：#强化学习 #半监督学习 #大语言模型 #语音唤醒

评分：6.5/10 | 创新 1.4/2 | 技术严谨 1.2/1.5 | 实验充分 0.9/1.5 | 清晰度 0.8/1 | 影响力 1.0/1.5 | 开源 0.0/1.5 | 可复现 0.3/0.5 | 工程/实践 0.9/1.5

排名：前50% | 文档类型：方法研究

👥 作者与机构

• Nianhang Tang：机构信息未能从会议 PDF 纯文本可靠映射
• Chaoyi Sun：机构信息未能从会议 PDF 纯文本可靠映射
• Chao Cai：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

针对始终在线的语音唤醒（Wake-up Word Detection）需在开放集负样本下兼顾高唤起与低误唤，现有静态合成与半监督策略难以覆盖语义级难负例。论文提出自适应框架 ADALA（Adaptive Semi-supervised and Large-model Learning），先由大语言模型（Large Language Model）生成候选文本，再经语音合成（Text-to-Speech）合成音频并送入唤醒词模型与语音识别（Automatic Speech Recognition）验证器联合打分。强化学习（Reinforcement Learning）以该打分作为奖励，用近端策略优化（Proximal Policy Optimization）更新生成器，形成生成-反馈-更新闭环，持续产出决策边界附近的难负样本。训练侧将合成难负例与真实标注及无标注数据在同一批次内联合优化，通过教师-学生一致性正则与梯度反转层（Gradient Reversal Layer）的域对抗损失抑制合成伪影。与已有方法相比，关键差异在于把数据生成本身建模为可优化策略而非固定规则，从而实现语义与语音相似度双维度的自适应挖掘。在1430小时中文自有数据集评测设置下，ADALA的平均唤醒率指标为90.43%，高于Hard-Negative Mining基线的平均唤醒率指标87.75%。该结论限于固定阈值流式评测与受控录音及用户日志难负例集，跨语言仅在2280条Hello Wikka小集验证，未检验开放环境噪声与直接音频生成替代路径。生成器微调约耗8卡Tesla A800 40小时产出10000条样本，唤醒词模型训练约50小时，原文未披露推理时延与端侧部署成本。

🔗 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，为什么总是误唤醒？

这篇解读的输入是论文原文的文字与一张生成架构图，目标是让刚进入语音唤醒方向的研究生能复述 ADALA 做了什么、在什么条件下测出什么。必须保留的信息包括任务定义、生成与训练两个模块的分工、奖励规则、损失构成、数据集规模与评测口径、主结果与消融数字、计算开销。本文的输出就是按学习依赖重排后的方法与实验说明，不做超出原文的评价。

唤醒词检测的输入是持续采集的音频流，输出是在每个时刻判断是否出现指定的唤醒词。用白话说，设备要一直听着，只在听到例如 xiao fei xiao fei 时才唤醒，其他任何声音都要拒绝。英文叫 Wake-up Word detection，简称 WUW 检测，有时也叫关键词检测。难点在于它是一个开集问题：模型参数有限，要拒绝的非目标在理论上是无限的。论文指出，已有半监督学习和数据合成多用固定规则预设，难以覆盖足够多样的负例；而只看底层声学相似的对抗训练又忽略了高层语义相似带来的混淆。

对初学者而言，关键是区分两个指标。唤醒率指真有唤醒词时能唤醒的比例，越高越好；误唤醒率指没有唤醒词却错误唤醒的比例，越低越好。两者天然矛盾：阈值放宽则唤醒率高但误唤醒也高，阈值收紧则相反。ADALA 要解决的正是如何在相似词上把误唤醒压低的同时不丢唤醒率。论文报告的核心证据是在普通话 xiao fei xiao fei 上平均唤醒率 90.43%，相似词上误唤醒率 3.19%，这组数字要在后文的评测阈值与基线条件下理解，不能单独当成绝对性能。

已有路线在解决什么，ADALA 与它们如何对照？

按同输入、同目标、同监督来对照，已有工作可分为 3 条线。第一条是半监督学习，利用大量无标注音频做一致性正则，让模型在干净与扰动版本上输出一致，目标是提高对真实声学变化的鲁棒性。第二条是数据合成，从零构造难负例，例如按字形编辑规则把关键词改写成相似词，再合成音频，目标是补足边界样本。第 3 条是对抗训练，迫使模型学到合成与真实之间域不变的特征，缩小合成到真实的域差距。

ADALA 与三者的关系是继承加改动。它保留了半监督的一致性思想，保留了合成难负例的做法，也保留了对抗去域痕迹的思想，但把合成环节从静态规则改成由大模型动态生成，并用强化学习闭环优化。论文选择的对照基线也对应这两条线：一个是经典的难负例挖掘，代表只在已有数据里挑难例的工业常用做法；另一个是 GraphemeAug，代表按预定义字形编辑规则合成难负例的最先进方法。这样的对照能分离出动态语义生成的增量，而不是把所有改进混在一起。

需要提醒的是，类别差异不能当成同条件胜负。例如半监督需要大规模无标注数据，规则合成不需要；动态生成需要大模型与合成引擎，而挖掘基线不需要。因此后文比较数字时，必须同时看数据条件与计算代价，不能只看唤醒率与误唤醒率两列。

问题如何形式化，一次误唤醒由什么决定？

把 1 次检测走完有助于理解形式化。假设输入是一段包含疑似 xiao fei xiao fei 发音的音频，模型先提取编码特征，再在帧级与词级给出是否含有唤醒词的分数，最后与固定阈值比较决定是否唤醒。误唤醒发生在分数超过阈值但内容并非真唤醒词时；漏唤醒发生在内容是真唤醒词但分数未达阈值时。阈值在论文中按商业标准标定，对应一般负例集合上每 48 小时 1 次误唤醒的工作点，每个模型各自标定后固定阈值再比较。

论文把困难定位在未见过的难负例上。举例说明，这里的例子是教学用，不是论文新测的数值：像发音接近但语义不同的短语，既能让唤醒模型给出高分，又在人耳与识别器看来不是真词，这类样本正好落在决策边界上。固定规则只能枚举声学或字形邻域，难以枚举语义层面的近义混淆。因此问题可表述为如何持续找到当前模型边界上的高混淆短语，并让模型学会拒绝它们而不损伤对真词、快慢语速、口音与双人干扰下的召回。

这个形式化直接导出 ADALA 的两个动作：先用一个会进化的生成器不断提出边界短语，再用一个融合真实数据的训练过程把边界收紧。下一节先看全景，再拆组件。

ADALA 全景：生成器与训练器如何分工闭环？

ADALA 包含两个模块。第一个是唤醒词生成模块，用强化学习循环优化大模型，动态产生难负例文本并合成音频；第二个是唤醒词模型训练模块，把合成样本与真实标注和无标注数据放在半监督框架下一起训练检测器。前者负责出题，后者负责做题，出题难度跟着做题者的表现自适应调整。论文称之为生成、反馈、更新的循环，区别于 2 阶段静态生成 1 次就不变的做法。

沿一个样本走完全程：大模型先根据专家知识提示生成一句候选文本，例如与 xiao fei xiao fei 音近或语义相关的短语；文本经 CosyVoice2 合成波形；波形同时送给目标唤醒模型与外部语音识别器；两者联合判决给出奖励；奖励经优势估计同时更新策略与价值网络。

新策略下一轮生成更难的文本。与此同时，积累下来的合成音频与真实数据一起进入检测器的有监督、无监督与自适应损失，共同更新检测器。

下图是论文给出的生成架构，左侧是策略与执行，右侧是奖励评估，下方是策略优化，建议按主路径与回路分别阅读。

看图路径： 1. 从左上专家知识进入黄色策略模型，再到生成文本与 TTS 引擎，追踪到右侧音频的主路径；2. 观察右侧音频同时分叉到唤醒词模型与语音识别验证器，再汇入奖励模型 -5~+5 的动作；3. 观察下方价值网络输出 V(st) 到优势估计再到策略损失的回路，以及熵损失与 KL 损失的约束箭头

论文图 1。原论文 Figure 1：“Wake-up word generation architecture.”。

从像素看，该图顶部明确分为 Policy and Execution 与 Reward Evaluation 两大区，下方是 Policy Optimization 区。左侧绿色区显示专家知识进入黄色策略模型 Qwen2.5-14B，输出堆叠的生成文本 xiao、fei、xiao、fei，再进入 TTS 引擎 CosyVoice2-1.5B 后变为音频波形。右侧蓝色区显示同一音频分两路进入唤醒词模型与语音识别验证器，再汇入标有 -5~+5 的奖励模型。下方黄色区显示奖励经价值网络得到 V(st)，再经优势估计得到 At 去驱动策略损失，同时有熵损失与 KL 损失约束策略更新，价值网络自身有循环箭头表示按时序差分误差自更新。这张图是理解双仲裁奖励与 Actor-Critic 分工的最直接依据。

生成侧如何把大模型约束到边界上？

生成模块被形式化为 Actor-Critic 强化学习。一幕定义为生成一句短文本的全过程。在第 t 步，状态由结构化提示加已生成词元组成，动作是预测下一个词元。行动者是预训练大模型 Qwen2.5-14B 实现的策略网络，评论者是独立的价值网络，估计当前状态成为成功难负例的潜力。行动者先用专家知识打底，提示中显式嵌入音节数、发音清晰度与真实误唤醒短语等语言先验，使生成不至于漫无边际，再靠大模型自身的语义知识探索概念变化，超越纯声学相似。

难负例 × 半监督学习： 难负例负责提供决策边界附近的高价值反例，分工是暴露模型的混淆点；半监督学习负责利用大量无标注真实音频做一致性正则，分工是学到不变的声学表示；二者搭配的原因是单一难负例易过拟合合成痕迹、单一半监督缺少针对性边界压力，组合后前者划边界、后者稳表示，形成灵敏与稳健的互补。

奖励函数是把生成约束到边界的关键。论文给出三档规则：若唤醒模型触发但外部识别器判为他词，确认为误唤醒，给 +1 到 +5 正奖励；若唤醒模型触发且识别器也判为真唤醒词，给 -5 强惩罚，防止生成真词；若根本不触发，给 -1 小惩罚并按音素差异 discouraging 无关生成。为稳定训练，这些稀疏的短语级奖励用广义优势估计分配到各生成步。

优化目标是复合损失，包含按近端策略优化裁剪目标计算的行动者损失、按均方时序差分误差计算的评论者损失，再加鼓励探索的熵损失与限制偏离旧策略的 KL 散度损失，权重为两个系数。原文未给出熵与 KL 权重的具体数值、折扣因子与裁剪阈值的具体取值，这是复现时需要补记的缺项，不能从模型名推定。

评论者损失与行动者损失的原文实现按标准形式描述：前者最小化单步奖励加折扣未来价值与当前价值之差的平方，后者用概率比与优势的裁剪最小值指导更新。论文未报告价值网络结构与优化器细节，同样记为缺项。

双仲裁与合成链路中谁冻结谁更新？

这节讲清 1 次奖励计算中各模型的角色，避免把冻结与更新搞混。按原文交代，被优化的是大模型策略与价值网络；目标唤醒模型与外部识别器在生成阶段是仲裁者，提供奖励信号；语音合成引擎是执行器，把文本变为音频。原文没有说在生成阶段同时更新唤醒模型、识别器或合成引擎，因此只能认为它们在该阶段是固定评分器，更新发生在后文的检测器训练阶段。梯度路径也只明确给出策略与价值网络的损失，仲裁器的梯度不回传到生成器，而是经奖励与优势间接驱动。

策略网络 × 价值网络： 策略网络由 Qwen2.5-14B 实现，负责逐词元生成候选文本短语；价值网络负责估计当前已生成状态成为成功难负例的潜力 V(st)；二者搭配构成 Actor-Critic 闭环的原因是生成空间巨大需要方向与评估分离，组合后优势估计 At 同时驱动策略更新与价值校准，使生成持续向能骗过检测器的方向移动。

具体链路是文本候选经高保真 TTS 合成波形后，波形作为评论者与奖励评估的输入。双仲裁的意义在于单看唤醒模型是否触发不够：真词也会触发，必须用独立识别器做语义核验。论文明确用 FunASR-LargeV3-Turbo 做外部验证器，用 CosyVoice2-1.5B 做合成，用 Qwen2.5-14B 做生成器，三者型号固定，这是复现必须对齐的信息条件。

唤醒词模型 × 语音识别验证器： 唤醒词模型负责判断合成音频是否触发误唤醒，是被攻击的对象；语音识别验证器 FunASR-LargeV3-Turbo 负责独立转写音频内容是真是假，是语义仲裁者；二者必须联合的原因是只看是否触发无法区分真触发与假触发，组合后当唤醒模型触发但识别器判为他词时才给正奖励，从而把奖励锚定在决策边界上。

一个常见误解是把合成音频直接当成难负例。原文的逻辑是合成后必须经过双仲裁筛选与奖励加权，只有能骗过唤醒模型又被识别器否定的才算高价值边界样本，其余分别给负奖励以抑制。这解释了为什么生成 50,000 轮迭代只沉淀 10,000 条高质量样本，而不是全部留用。

检测器训练：三路损失各自吃什么数据？

检测器训练的目标是同时保真词响应与抗误唤醒。论文给出总目标由三项加权组成：有监督损失、无监督损失与自适应损失，权重为动态调整的贝塔与固定为 0.1 的缪。贝塔按已遍历数据占总数据的比例动态调整，缪是常数域自适应权重 0.1。检测器结构沿用已有文献的架构，原文未展开，本解读不补结构细节。

有监督项先从干净标注样本学会唤醒词的基本声学模式，采用在帧级与词级目标上的最大池化损失。无监督项通过师生框架实现：教师由学生权重的指数滑动平均生成，衰减率 0.999，在弱增强无标注音频上产生伪标签，经 0.8 置信度过滤后用于计算学生的帧级与词级损失，再加一致性项。一致性项的做法是同一无标注语句做两版，一版干净可辨，一版严重失真，迫使学生对失真版的预测逼近教师对干净版的预测，用平均绝对误差度量，从而学到本质声学线索。自适应项是带梯度反转层的域对抗损失，让域分类器分不清真实背景与合成难负例，迫使编码器去掉 TTS 痕迹、聚焦语义内容。

有监督损失 × 域自适应损失： 有监督损失负责从干净标注数据学会唤醒词的基本声学模板；域自适应损失负责通过域分类器加梯度反转层迫使编码器分不清真实背景与合成难负例；搭配的原因是合成音频带有 TTS 痕迹，模型易走捷径学痕迹而非语义，组合后前者保基本响应、后者去合成痕迹，使难负例的语义压力真正生效。

训练组织方式是论文特有的细节：标注数据、无标注数据与新合成的动态样本在同一小批量内同时训练，而不是分阶段先后训练。原文称这种并行策略保证语义变化与真实声学持续对齐。优化器先用 AdamW 后切到学习率为 1e-4 的随机梯度下降，检测器训练 100,000 轮，长拼接语句上近似批量 16。

教师模型 × 学生模型： 教师模型由学生权重的指数滑动平均构成，负责在弱增强无标注音频上产生稳定的伪标签；学生模型负责在强扰动版本上学习并更新权重；搭配的原因是直接用自身预测会放大噪声，组合后以 0.999 衰减的慢教师提供 0.8 置信度过滤后的目标，迫使学生在失真下仍输出一致的帧级与词级判断。

需要区分的是，生成阶段的优化器是 AdamW、学习率 3e-5、批量 64、迭代 50,000 次，与检测器阶段不同，不能混用。原文未报告检测器初始 AdamW 的学习率与切换时机，这是复现缺项。

在什么数据与阈值下测，基线是否同条件？

实验在背景噪声 45 分贝的消声室条件下采集，目标词固定为 xiao fei xiao fei。论文使用自有普通话大规模数据共 1430 小时，含标注与无标注两部分，人口与声学分布严格平衡：性别 1 比 1，年龄老年、成年、儿童按 1 比 2 比 1，语速快、中、慢按 1 比 2 比 1。评测集覆盖安静、快慢语速、双人干扰、口音，并专设两组声学相似误触发词，一组离线受控录制，一组来自线上用户日志，分别记为 SW-Rec 与 SW-Log，用来考验判别力。

评测方法强调公平阈值：每个模型按各自阈值标定到商业工作点，即在一般负例集上每 48 小时 1 次误唤醒，再固定阈值比较长语句流式任务。指标方向是唤醒率越高越好，在多种条件下测灵敏与鲁棒；误唤醒率越低越好，专门在相似词集上测判别。比较对象是难负例挖掘与 GraphemeAug，均在同阈值标定流程下比较，原文称阈值各自标定而非统一数值阈值，这一点必须保留，否则跨模型分数不可比。

实现细节按原文交代：生成器、验证器、合成引擎型号如前，生成阶段 50,000 次迭代约 40 小时 8 卡 Tesla A800 80 GB，产出 10,000 条难负例；检测器阶段 100,000 次迭代约 50 小时。跨语言部分另采英语 Hello Wikka 数据 2280 条，同样保持性别 1 比 1 与年龄 1 比 2 比 1、语速 1 比 2 比 1，用于检验语言迁移，但规模远小于普通话主实验，这是解读迁移结论时必须带的限制条件。资源状态方面，本次未发现来源绑定且完成验证的开源代码、模型或数据，不得声称已公开。

主结果：在同阈值下唤醒率与误唤醒如何权衡？

为回答自适应语义生成能否同时提升唤醒率并压低相似词误唤醒，本节用主对比表检验与难负例挖掘和规则式增强的收益与代价差异。

表后解释需要同时讲收益与代价。论文报告 ADALA 平均唤醒率 90.43%，高于难负例挖掘的 87.75%，相似词误唤醒率 3.19%，低于挖掘基线的 5.87%，且在快速与口音等难条件下提升明显，快速从 89.18% 到 93.10%，口音在原文表中从 82.78% 到 89.87%。与 GraphemeAug 相比，ADALA 唤醒率 90.43% 明显高于对方 86.36%，但误唤醒率 3.19% 略高于对方 2.94%，论文明确承认这一点，并判断对方以大幅掉召回换小幅误唤醒下降，整体不如 ADALA 均衡。未胜出项就是 GraphemeAug 的误唤醒最低，这必须保留，不能只讲 ADALA 全胜。限制是阈值按一般负例标定，相似词误唤醒是阈值固定后的条件结果，换工作点数字会变；且双人干扰下 ADALA 为 77.67%，仍低于安静的 97.96%，说明强干扰仍是边界。

跨语言还能用吗，英语小集支持什么结论？

第二个问题是闭环生成是否语言无关。论文在英语 Hello Wikka 的 2280 条目标基准上复用同一架构，不做结构修改，报告 ADALA 平均唤醒率 90.42% 与平均误唤醒率 1.67%，高于难负例挖掘的 86.70% 与 2.52%、GraphemeAug 的 87.71% 与 2.53%。原文用支持的语气称该框架有效语言无关，在不同语音版图上泛化稳健。

但必须加限制：该英语集规模与普通话 1430 小时不可比，且原文未交代英语的标注与无标注配比、合成说话人覆盖与阈值标定细节，也未报告在英语上的消融与难条件分解。因此能支持的判断是小规模目标基准上迁移有效，待验证的是大规模、多口音、多场景下的稳定性。教学上应把跨语言当成泛化旁证，而非主结论的重复。

另一个特有细节是论文强调自适应数据管理无缝迁移，无需结构修改。这意味着迁移成本主要在重新跑强化循环与合成，而非改模型，这与前文 40 小时生成加 50 小时检测训练的预算是一致的，但英语上的具体耗时原文未报告，不能把普通话耗时直接套用到英语。

消融：半监督与动态生成各自贡献了什么？

为定位半监督与动态生成的各自贡献，下表按原文逐行整理消融条件的唤醒率与误唤醒证据，便于与后文归因逐项对照。

表后解释按原文归因：引入半监督后平均唤醒率从 86.36% 到 90.44%，是唤醒率提升的最大来源，解释为大规模无标注上的一致性正则迫使模型学不变表示，防止过拟合合成样本；引入动态生成后误唤醒从 9.17% 到 3.54%，是误唤醒下降的最大来源，解释为强化循环与检测器共进化，持续合成针对性难负例，细化了边界判别。完整 ADALA 为 90.43% 与 3.19%，论文称不是简单叠加，而是强化学习下的自适应融合，兼得高灵敏与精边界。

需要指出未胜出与反例：单加半监督的平均唤醒 90.44% 略高于完整的 90.43%，安静 98.52% 也高于完整的 97.96%，说明完整版为压误唤醒付出了微小召回代价；单加生成的误唤醒 3.54% 仍高于完整的 3.19%，说明单模块不能达到最优均衡。这些细节支持论文的均衡判断，也提醒复现时不能只看单指标最高就选单模块。

还有哪些没测、没给，结论边界在哪里？

先讲直接报告的边界。双人干扰与口音仍是相对弱项，主表中双人 77.67% 远低于安静 97.96%，说明重叠语音与变体发音未完全解决。GraphemeAug 在误唤醒上仍最低，ADALA 并未在所有列胜出。跨语言只在 2280 条英语集上验证，规模与条件覆盖有限。

再讲未验证与缺项。原文未报告统计显著性、多次随机种子的方差、延迟与功耗、流式早检对后续处理的具体影响量化，也未测量误判率之外的用户体验指标，因此不能承诺延迟或成本改善。方法缺项包括熵与 KL 权重、折扣因子、裁剪阈值、价值网络结构、检测器切换优化器的时机与初始学习率、域分类器结构与梯度反转位置。数据缺项包括 1430 小时中标注与无标注的具体切分、无标注增强的强弱增强算子、线上日志相似词的采集与标注流程。这些缺项不是技术错误，但复现前必须列出并做敏感性验证。

相关性不等于因果：消融显示相关，但不能据此断言拿掉某模块必然如何，只能说在原文条件下观察到上述变化。总体趋势也不等于每组每步成立，例如完整版在个别安静点上低于单加半监督，说明均衡是平均意义上的。

要复现先做什么，需要多少预算？

复现的第一步是对齐信息条件：固定目标词、阈值标定流程与指标口径。目标词普通话为 xiao fei xiao fei，英语为 Hello Wikka；阈值按一般负例每 48 小时 1 次误唤醒各自标定；唤醒率在多条件下平均，误唤醒在相似词集上平均。基线必须包含可运行的难负例挖掘与 GraphemeAug，不能用事后最优阈值代替可部署收益。第二步是准备数据：普通话需复刻性别、年龄、语速配比与安静、快慢、双人、口音、离线与线上相似词的评测分支，若无同规模数据，应明确降级为小规模验证并只做相对比较。

表后说明：该预算是原文在 8 卡 A800 上报告的效率上下文，不是最低配置承诺。域自适应权重缪为 0.1、教师衰减 0.999、伪标签置信度 0.8 是必须保留的关键超参数；贝塔动态按已遍历比例调整。代码与数据方面，本次无可用资源绑定，只能按论文文字复现，不能声称代码或权重已公开。建议先在小语速子集上验证奖励三档是否能稳定产出误触发，再放大到全量，避免一开始就消耗 40 小时。

何时值得尝试，一句话如何复述？

当你的唤醒系统主要痛点是未见过的音近语义近词导致误唤醒，且你有大量无标注真实音频与可用的合成引擎时，ADALA 的思路值得尝试：让大模型按当前检测器的错误现造边界题，再用半监督与域对抗把题目的价值沉淀到检测器中。若痛点只是干净环境下的召回不足，或没有预算跑大模型强化循环，优先把半监督一致性与难负例挖掘做扎实，可能更划算。

复述方法可用一条样本链：专家提示加已生成词组成状态，大模型逐词元出文本，合成波形经唤醒模型与识别器双仲裁给 -5 到 +5 奖励，优势估计更新策略与价值，沉淀的合成难负例与真实数据经有监督、无监督一致性与域对抗 3 路损失共同训练检测器，最终在固定商业工作点下比较唤醒率与相似词误唤醒。记住两个数字的适用条件：90.43% 平均唤醒与 3.19% 相似词误唤醒是在各自标定阈值、普通话大规模集上的报告，英语小集上是 90.42% 与 1.67%，换阈值或换数据分布结论需重测。

未来可验证的方向是多语言扩展与直接音频生成替代 TTS 管线，以进一步缩小合成域差距，但原文未给出这部分实验，只能记为待验证。

⚖️ 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