声调不能丢：用自动声调映射把跨语言强制对齐接到声调语言上

英文题目：CrossPhon-Tonal: Streamlining Cross-language Modeling for Forced Alignment in Low-resource Tonal Languages

会议身份：conference:interspeech:2026:conference-paper-id:wu26e_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：#迁移学习 #语音学与音系 #跨语言 #低资源 #强制对齐

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 0.6/1 | 影响力 0.9/1.5 | 开源 0.0/1.5 | 可复现 0.1/0.5 | 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

• Hongchen Wu：机构信息未能从会议 PDF 纯文本可靠映射
• Yixin Gu：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

跨语言强制对齐以低资源目标音频与正字法转写加发音词典为输入，输出音素级时间边界，声调语言中基频轮廓显著影响音节时长与边界划分却长期被忽略。CrossPhon-Tonal将国际音标拆分为音段串与赵元任声调字母后缀，先用构音特征距离完成音段映射，再把声调作为附加层在目标音段已证实的变体中选择。生成的组合映射将源发音词典转换为目标声学模型兼容的中间词典，进而直接驱动目标音频的强制对齐。相对以往删除声调或依赖专家手工映射的做法，该机制禁止生成未见的音段声调组合，避免将声调当作次音位噪声并消除专家瓶颈。在以语言相关模型对齐为基准和0.025秒容差的评测条件下，Thai模型对齐普通话音频时CrossPhon-Tonal自动映射的一致率指标为0.772，高于专家映射的一致率指标0.726。该结论仅在以语言相关模型对齐为基准和0.025秒容差下成立，未经大规模人工标注验证。克罗地亚等小数据与跨语系组合效果下降，其泛化适用边界仍尚未验证。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

为什么低资源声调语言的对齐不能只借英文模型？

输入是这篇论文的正文与 3 张官方原图，目标是让刚进入语音方向的研究生能复述 CrossPhon-Tonal 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、音段与声调 2 阶段映射规则、6 种语言的实验配置、与专家映射和 Global English 模型的对照数字，以及作者自己承认的评价局限。输出是 1 篇按学习依赖展开的技术解读，不做营销式判断。 强制对齐要解决的是给定录音和文字转写，自动标出每个音、每个音节起止时间的问题。

对英语、普通话这类高资源语言，已有在大规模数据上训练好的声学模型和发音词典，研究者可以直接调用。但对大多数低资源语言，从零训练声学模型不现实，人工逐句打边界又慢又容易不一致。跨语言强制对齐的思路是借用别人的模型，把目标语言的词典映射到源模型的音素表上，再用源模型去对齐目标音频。 声调语言带来额外困难。在声调语言里，音高轮廓不是语气装饰，而是区别词义的音位特征，同时影响音节时长和边界位置。

如果像以往处理非声调语言那样直接丢掉声调标记，就等于把关键信息当噪声扔掉；如果请语音学家为每 1 对语言手工写普通话到藏语这类映射，又会形成专家瓶颈，主观且难复现。论文要回答的正是如何在不依赖手工的情况下，把声调系统地装进跨语言流水线，并验证声调匹配是否比单纯堆数据量更重要。

强制对齐 × 跨语言： 强制对齐负责把音频与已有文本转写在时间上对准，输出每个音素或音节的边界；跨语言则分工解决目标语言没有专用声学模型的问题，它借用高资源源语言的声学模型，通过把目标语言发音词典映射到源模型能识别的音素集合上，再去对齐目标音频，两者搭配的理由是复用已有大模型的能力，新增作用是让低资源语言也能做大规模语音分析。

本节的教学任务是建立问题意识：借模型不是把音频丢进去就结束，词典映射的质量决定了声学模型能否对上正确的音类别，而声调缺失会同时损害音类别和时长建模。后文先回顾相关路线，再进入方法全景。

已有路线在声调面前做了哪些妥协？

跨语言强制对齐已有较多验证，做法包括直接用未训练的对齐器处理濒危语言数据、基于字形的跨语言对齐、以及在北澳大利亚克里奥尔语、汤加语、乌拉尔语系等场景测试通用对齐器的迁移能力。这些工作证明了借用声学模型在音段层面的可行性，也积累了模型选择的经验：非声调模型更适合对齐非声调音频，而音系更接近的声调模型在对齐其他声调音频时相对更成功。 但在声调处理上，文献出现两种妥协。

一种是干脆去掉声调标记，例如用英语模型对齐藏语，把音高变化排除在建模之外；另一种是请专家手工构造发音映射，例如用普通话模型对齐藏语或粤语，靠人的音系知识指定哪个调对应哪个调。前者省事但原理上有缺陷，后者准确但不可扩展。论文引用了玛雅语系的 bootstrapping 工作和藏语、粤语的跨语言实验，说明手工映射确实有人做过，但代价高。

本研究的直接前身是 CrossPhon，它把跨语言音素映射变成发音特征匹配问题，在 14 种语言、7 个语系上报告了相对专家映射 78.95% 到 97.77% 的一致率，并在强制对齐上达到可比或更优的表现。CrossPhon-Tonal 继承了这条路线，但要补上原来处理不了的一块：带有赵元任声调标记的词典条目无法直接进入原来的纯音段流水线。本节为后文的方法改动提供对照：不是另起炉灶，而是在已验证的音段映射后加声调阶段。

要解决的声调缺口具体是什么？

论文把缺口表述为两个可操作的矛盾。第一，声调影响边界。如果对齐器没有声调类别，它在声学上就缺少解释基频走势的手段，时长和切分都会受损。第二，人工映射不可扩展。即使普通话和藏语都是声调语言，调值、调类数量和实现方式也不同，专家需要逐个判断对应关系，换 1 对语言就要重做一遍。

由此引出本研究要验证的核心权衡：声调专属性与模型规模，到底谁是跨语言对齐准确率的主要驱动因素。具体检验是拿一个在 3600 小时数据上训练的 Global English 大模型，与只有几十到几百小时的声调语言小模型对比，看在对齐另一种声调语言时，大数据量的非声调模型能否弥补声调失配。如果声调到声调仍然胜出，就说明声调建模不可省略。 教学上可以这样理解：例子是拿泰语模型对齐普通话音频。泰语和普通话都有声调，但调库不同。

英语模型数据量大得多，但没有声调类别。问题是哪种迁移更有效。论文假设声调到声调更优，并设计自动规则来逼近专家手工的效果，后文的方法就是为这个假设提供可复现的构造。

CrossPhon-Tonal 的全流程走一遍是什么样子？

先沿一个样本走完全程。假设源词典里有一个带调音节，其国际音标形式由音段串加声调后缀组成，例如某个元音加 35 升调。系统先把音段部分送入原来的 CrossPhon 映射，按发音特征距离找到目标库存中最接近的目标音段；然后看该目标音段在目标库存里有哪些已出现的声调变体，再用声调选择算法从这些已验证变体中挑一个最接近 35 的调，例如 24；最后把改写后的条目写入中间词典，直接供目标声学模型做强制对齐。

整个过程不训练新的声学模型，只转换词典。 从模块上看，流程分为库存编码与映射两大阶段。库存编码阶段分别扫描源语言和目标语言词典，提取特有音段单元，包括单音、双元音、辅音丛等，并用发音坐标加非声调附加符号表示，声调后缀单独编码。映射阶段先做音段映射，再按需做声调映射，输出组合后的音段加声调映射，最后生成中间词典。声调分配被目标库存约束，不能创造不存在的音段与声调组合，这相当于内置的合理性检查。

下面这张流程图把上述分工可视化，阅读时重点看箭头顺序和虚线框的划分。

看图路径： 1. 从左侧源与目标国际音标词典框出发，沿箭头向右追踪两大虚线框的主路径；2. 确认发音库存编码框内先提取特有音再做特征编码的上下顺序；3. 确认映射框内先做音段映射再做声调映射，声调只在需要时触发；4. 最后看中间词典如何直接送入跨语言强制对齐框

论文图 3。原论文 Figure 3：“Flowchart of CrossPhon-Tonal mapping procedure.”。

图中从左到右依次是源与目标国际音标词典、发音库存编码虚线框、音段与声调映射虚线框、中间词典与跨语言强制对齐。编码框内部是先提取特有音再做特征编码，映射框内部是先做 CrossPhon 音段映射再做条件触发的声调映射。这种先音段后声调、声调只在源符号带调且目标音段确有声调变体时才执行的安排，是后文两节要展开的细节。词典质量在此非常关键：若原词典带有丰富的异体附加符号或声调标记，映射能保留这些区分；若原词典本身缺调，系统只能回退到无调或默认调处理。

音段部分如何变成可计算的距离？

音段映射沿用 CrossPhon 的发音特征坐标。每个辅音用发音方法、发音部位、清浊 3 个维度表示，每个元音用高低、前后、圆唇 3 个维度表示，不同语言的音放在同一个发音空间里比较。论文给出例子：清双唇塞音/p/表示为(0,0,0)，浊齿龈塞音/d/表示为(0,4,1)；半闭后圆唇元音/o/为(2,2,1)，开前不圆唇元音/a/为(6,0,0)。有精确匹配就直接选，否则按 3 维曼哈顿距离最小选最近目标音，距离相同再用汉明距离做次级标准。

附加符号被当作额外信息层，先匹配基本音段，再尽量保留相同的标记特征，用于打破平局或偏好。 下图用 3 维散点展示了这种编码的直观形态，适合初学者建立距离感。

看图路径： 1. 先确认三条坐标轴分别为发音方法、发音部位和清浊；2. 找到橙色圆点标注的p、d 与s 三个示例；3. 比较[p] 与[d] 在部位轴接近但在清浊轴分离，直观理解距离含义

论文图 2。原论文 Figure 1：“Example articulatory coordinate for consonant en- codings used in CrossPhon.”。

图中可见以发音方法、发音部位、清浊为轴的 3 维网格，3 个橙色点分别标注p、d 与s。可以执行的操作是比较[p] 与[d] 在方法轴同为 0、部位轴同为 4 附近但清浊分离，从而理解浊音与清音的距离来源；再看[s] 在方法轴上远离塞音，理解擦音与塞音的分离。这种把符号变成坐标的做法，让跨语言最近邻搜索变成语言无关的数值计算。

发音特征映射 × 声调编码： 发音特征映射负责处理辅音元音的音段部分，把每个国际音标符号变成发音方法、发音部位、清浊或高低、前后、圆唇 3 维坐标并按距离找最近目标音；声调编码负责处理跟在音段后的赵元任声调字母，把 1 到 5 的相对音高轮廓分成平、升、降、凹、凸 5 类，两者搭配的原因是音段和声调在词典里是前后缀关系，组合意义是先定音段再在该音段已有的声调变体里选声调，避免造出目标语言不存在的音段加声调组合。

需要强调的是，这一步只管音段，不管声调。声调被类比为额外的附加符号层，放在基本音段确定之后处理。这样的顺序保证了声调选择始终限定在已选定目标音段的已验证调形集合内。

声调如何分类与排序？

声调编码先做分解。每个国际音标符号被拆成音段串与声调后缀，声调后缀通常用赵元任声调字母表示。赵元任体系用 1 到 5 表示相对音高，1 为低、2 为次低、3 为中、4 为次高、5 为高，数字串记录轮廓走势。例如 51 是从高到低的降调，423 是先降后升的凸调。论文明确这些数值是说话人音域内的相对高度和轮廓形状，不是绝对基频赫兹值，这样可以抽象掉说话人音高差异，保留音系对立。

分类把调串归入 5 类：平调要求各电平相等，升调要求严格递增，降调要求严格递减，凹调为先升后降，凸调为先降后升。下表形式的原图给出每类的示例调符与数字，对初学者是很好的查表工具。

看图路径： 1. 逐行核对左侧五类轮廓定义：平、升、降、凹、凸的文字说明；2. 对照右侧示例数字串，如 51 对应降调、35 对应升调、423 对应凸调；3. 注意平调要求各电平相等，升降要求严格单调，凹凸要求先升后降或先降后升

论文图 1。原论文 Figure 2：“Tone pattern categories used in tone encoding, with example Chao tone letters and numeral representations.”。

读图时先看左侧类别列的括号定义，再看右侧示例列的数字串。平调如 11 或 55，升调如 35 或 12，降调如 51 或 42，凹调如 351，凸调如 423。观察动作是拿一个未知调串先判断单调性，再判断转折方向，从而落入 5 类之一。这是下一步候选限定的依据。 映射规则是先限定同类，再比变化幅度。

变化幅度定义为调串首尾音高差的绝对值，例如 24 的变化幅度为|2-4|=2，25 为|2-5|=3。对升调输入 35，系统更偏好 24 而非 25。若变化幅度相同，再比绝对音高接近程度，例如 13 在 24 与 35 之间选 24，因为整体高度更接近。凹调如 352 若无同类候选，优先考虑升调；凸调如 214 若无同类候选，优先考虑降调，理由是连读中凹凸调常不完全实现，普通话第三声 214 在非单念时后半升段常弱化或截断，呈现半三声模式，因此前半轮廓更稳定。

两阶段如何拼接并处理无调情况？

拼接逻辑分为音段映射与声调映射两步。第一步用发音特征距离把源音段映射到目标音段，包含非声调附加符号；第二步若适用，取出该目标音段在目标库存中所有已验证的声调变体，用上一节的算法选最接近源调的目标调。源符号是否算带调，看其国际音标条目是否携带显式的赵元任声调后缀；无后缀则为无调。

回退规则覆盖 3 种边界。若源无调且目标音段存在无调变体，直接返回无调形式；若源带调但目标音段没有任何声调变体，返回去调的目标音段；若源无调但目标音段只有带调变体，则赋予默认目标调，优先降调、其次平调，该默认顺序沿用先前文献的做法。图 3 的映射框把这种条件触发表达为声调映射后标注如果需要，含义正在于此。

赵元任声调字母 × 变化幅度： 赵元任声调字母负责把声调写成 1 到 5 相对音高数字串，例如 51 表示高到低的降调，423 表示先降后升的凸调；变化幅度负责量化轮廓的起伏大小，定义为首尾音高之差的绝对值，例如 24 的变化幅度是|2-4|=2，两者搭配的理由是先按轮廓类别限定候选，再用变化幅度选最接近的候选，组合意义是把主观的调形相似变成可计算的两步排序规则。

这种设计的教学要点是约束优于创造。声调不是自由生成，而是在目标库存的实证分布内选择，因此不会凭空捏造训练时没见过的组合。同时，默认调规则保证了即使词典缺调，流水线仍能产出可用词典，只是此时声调信息本质上是补齐而非实测，需要在解释结果时保留不确定性。

本研究训练了什么、复用了什么？

本研究没有训练新的声学模型，也没有报告神经网络的优化器、梯度路径或参数冻结细节。真实的计算过程是规则式检索与最近邻搜索：把词典符号变成发音坐标与调串类别，按曼哈顿距离、汉明距离、变化幅度和音高差排序，逐条生成源到目标的映射，再改写整本源词典得到中间词典。调用的声学模型全部是已有模型，包括蒙特利尔强制对齐器的普通话、泰语、越南语、豪萨语、克罗地亚语模型，以及另行训练的粤语模型和 3600 小时的 Global English 模型。

中间词典 × 目标声学模型： 中间词典负责承接映射结果，它把源语言发音词典逐条改写成目标音素库存能接受的形式，保留异体细节和声调后缀；目标声学模型负责真正做声学打分和边界搜索，例如泰语或普通话的蒙特利尔强制对齐器模型，两者搭配的原因是声学模型只能识别自己训练时的音素集，组合意义是映射只改词典不改模型参数，从而直接复用已有对齐流水线。

从复现角度看，需要准备的是带国际音标的源与目标发音词典、有正字法转写的待对齐音频、以及目标声学模型。运行的是词典转换脚本与标准的强制对齐流程，不涉及反向传播。论文未报告训练耗时、硬件预算或推理延迟，因此不能从模型规模推定对齐速度或成本，后文实验条件只交代数据量与模型版本，不补写缺失的算力细节。

在哪些语言、数据和基线上验证？

评估选择 6 种类型多样的声调语言：普通话、粤语、泰语、越南语、豪萨语和克罗地亚语。入选需同时满足 3 个条件：有公开可用的声学模型，多数来自蒙特利尔强制对齐器，粤语用另行训练的定制模型；有带声调标记的国际音标发音词典，即词条含赵元任声调后缀，因而无法直接用原 CrossPhon 流水线；有带正字法转写的语音数据集用于评测。普通话、粤语、泰语、越南语和豪萨语的语音来自 Common Voice，克罗地亚语来自 ParlaSpeech。

测试音频量从豪萨语 54 分钟、越南语 1 小时 16 分钟，到泰语 12 小时 36 分钟、普通话 13 小时 12 分钟、克罗地亚语 18 小时 17 分钟不等，覆盖小到中等规模。 对照设置 3 类。第一类是 CrossPhon-Tonal 自动映射，把源词典转成与目标模型兼容的中间词典后对齐源音频；第二类是受过训练的语音学家手工构造的映射，作为专家条件；第 3 类是基于 Global English 大模型的条件，用以检验大数据量能否弥补声调缺失。

评价指标是跨语言输出与语言相关基线之间的一致率，边界容限为 0.025 秒。表格的行是作为目标模型的语言及其训练数据量，列是作为源语言的待对齐音频，每格报告自动映射与专家映射两个数值，Global English 行只报告自动映射。 需要提醒的是，这里的金标准不是人工逐帧标注的真实边界，而是目标语言专用模型自己的对齐结果。因此一致率高意味着行为复制得好，不直接等于物理准确率高；对训练数据很少的豪萨语等模型，基线本身的可靠性也有限。

作者在讨论中明确承认这一点，并建议未来引入人工校验与多专家共识。

自动映射能否替代专家、能否超过英文大模型？

比较的问题是自动映射相对专家映射是否可比，以及声调到声调相对英文大模型是否有优势。公平条件是同一批待对齐音频、同一目标声学模型、同一 0.025 秒容限，只更换词典映射来源。指标方向是一致率越高越好。下表聚焦论文强调的两组关键数字：泰语模型对齐普通话时自动与专家的对比，以及同任务下泰语小模型与英文大模型的对比。

表前已说明比较问题与公平条件，此处解释收益与代价。泰语到普通话一组自动映射超出专家约 4.6 个百分点，越南语到粤语一组超出约 7.7 个百分点，报告显示自动规则能发现人工可能忽略的最优语音桥。

对普通话任务，244 小时泰语模型的 0.772 明显高于 3600 小时英文模型的 0.638，支持声调专属性比数据规模更关键的判断。但代价是这种优势并非每组都成立，且英文对照在克罗地亚语上反而最强，后文用第二张表展开反例。

语言相关基线 × 一致率： 语言相关基线负责提供参照答案，即用目标语言自己的声学模型对齐同一批音频得到的边界；一致率负责衡量跨语言输出与该基线有多接近，定义为边界误差在 0.025 秒容限内一致的比例，两者搭配的原因是低资源场景缺少人工逐帧标注，只能先测行为复制程度，组合意义是数值越高说明自动映射越能复刻专用模型的行为，但不等同于绝对物理准确率。

重提结果时要增加适用条件：上述胜出发生在声调到声调且目标模型训练量适中的情况下，不能推广为自动映射在所有语言对上都优于专家。

哪些语言对失败了、失败说明什么？

除核心胜出组，论文特意报告了低表现配置，以检验方法的边界。公平条件与主结果相同，只是更换目标模型与源音频组合。下表整理文中点名的未胜出项与英文模型的反超点，指标仍为 0.025 秒容限下的一致率。

表后解释主要反例与可能机制。克罗地亚语模型训练量最小，在对齐粤语和越南语时一致率跌破 0.5，提示目标模型可能需要最低数据阈值才能维持跨语言质量。

英文模型在克罗地亚语上反超，论文给出的有限解释是英语与克罗地亚语同属印欧语系，在辅音丛和元音品质上更接近，映射更稠密；且克罗地亚语是声调重音而非完全声调语言，英文缺调的惩罚较小。这属于支持性解释而非因果证明，调库大小、音节结构和轮廓类型的作用仍待验证。 本节的教学价值是区分趋势与逐组结论。总体上声调到声调优于声调到英文，但每组是否成立取决于目标模型规模、语系距离和声调类型，不能把平均趋势当成每一步都成立。

评价本身有哪些局限？

第一个局限是参照系。用语言相关模型输出代替人工真实边界，测的是复制基线行为的能力。对低资源基线，这种度量会继承基线误差；若基线在某些音段上系统性偏置，跨语言输出越像基线分数越高，但物理误差并未减小。论文明确建议未来加入人工校验片段以估计绝对误差，并用多专家共识代替单一专家映射。

第二个局限是基线种类单一。当前对照主要是专家映射与英文大模型，缺少与去声调跨语言基线的独立对比。若能补上完全去掉声调标记的流水线，就能更干净地分离声调模块的增量贡献，否则无法排除音段映射本身已解释大部分提升的可能。 第 3 个局限是误差归因不足。论文尚未按声调类别、语言对或音素库存失配做系统的错误画像，特别是在克罗地亚语等低分配置上，不清楚失败集中在特定调形还是普遍的音段失配。

此外，普通话大模型也并非在所有其他声调语言上均匀表现好，暗示调库规模与音节结构的影响未被建模。阅读时应把未测量延迟、误判率和成本视为缺项，不承诺这些量得到改善。

要复现这条流水线先做什么？

复现的第一步是准备可比的词典与音频。需要源语言和目标语言的国际音标发音词典，且声调语言词典应保留赵元任数字后缀；需要带正字法转写的待对齐音频，论文用 Common Voice 和 ParlaSpeech 的子集，时长从不足 1 小时到十余小时不等。目标声学模型直接复用已有版本，包括蒙特利尔强制对齐器的多语言模型和定制粤语模型，不需要重新训练。 第二步是实现 2 阶段映射。

先为每个特有音段单元计算发音坐标，按曼哈顿距离加汉明距离找最近目标音段并保留附加符号；再把调串分类为平、升、降、凹、凸，按同类优先、变化幅度次之、绝对音高再次之的顺序选调，凹凸调缺同类时分别回退到升调与降调。注意相对音高只比较轮廓，不比较绝对赫兹。第三步是用映射改写整本源词典生成中间词典，再用目标模型做标准强制对齐，以 0.025 秒容限计算与语言相关基线的一致率。

关于可用性，本次收到的证据未绑定任何经 HTTPS 验证的代码、模型或数据资源，不得声称代码或数据已公开。补充材料在正文仅给出 DOI 标识，本解读不推定其当前可达。还需补的验证包括人工标注的真实边界、多专家映射共识，以及去声调流水线的对照，这些决定了自动映射的绝对收益。

何时值得尝试、还需补哪项验证？

当目标是为无专用模型的声调语言快速搭建可用的强制对齐，且手头有另一种声调语言的现成声学模型与带调词典时，这套方法值得尝试。它的可操作优势是全自动、无需逐对请专家写调对应，且通过目标库存约束避免非法组合。论文在越南语、粤语、泰语等多组上显示与专家可比，在泰语到普通话、越南语到粤语上超过专家，同时多个小规模声调模型超过 3600 小时英文模型，支持先保证声调匹配再谈规模的实践顺序。

不适合或需谨慎的场景包括目标模型训练量过小、语系距离远且声调类型差异大，以及源或目标词典本身缺调严重。此时自动映射仍能产出词典，但声调部分更多是默认补齐，边界改善可能有限，克罗地亚语对齐粤语与越南语的低分就是提醒。英文大模型在克罗地亚语上的反超也说明，若目标只是声调重音而非完全声调语言，音段相似与数据规模可能重新占优。 后续验证应优先补三项：用人工校验的边界估计绝对误差，而非仅报告与基线的一致率。

用多专家共识替代单一专家对照，減少主观性；加入去声调跨语言基线与按调形的错误分析，分离声调模块的真实贡献。理解这些边界后，才能把自动声调映射当作可复用的工具，而不是把某几组的高分推广为普遍结论。

⚖️ 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