只改难字：用 CTC 贪心打底、注意力只修低置信字的半自回归推测解码

英文题目：Accelerating End-to-End ASR via Semi-Autoregressive Speculative Decoding

会议身份：conference:interspeech:2026:conference-paper-id:wu26g_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：#自回归模型 #高效推理 #流式处理 #语音识别

评分：6.6/10 | 创新 1.2/2 | 技术严谨 1.2/1.5 | 实验充分 1.0/1.5 | 清晰度 0.7/1 | 影响力 1.0/1.5 | 开源 0.0/1.5 | 可复现 0.3/0.5 | 工程/实践 1.2/1.5

排名：前50% | 文档类型：方法研究

👥 作者与机构

• Long Wu：机构信息未能从会议 PDF 纯文本可靠映射
• Lingchao Zhao：机构信息未能从会议 PDF 纯文本可靠映射
• Yuanzhong Zheng：机构信息未能从会议 PDF 纯文本可靠映射
• Haojun Fei：机构信息未能从会议 PDF 纯文本可靠映射
• Qing Yang：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

端到端语音识别任务输入为长时连续声学特征序列，输出为变长文本词元序列，实际难点在于语音帧长远大于文本长度且存在同音混淆、口音与长尾语义，导致自回归注意力解码准确但须逐词串行等待，CTC贪婪搜索虽快却难以纠正易混词。针对该矛盾，本文提出半自回归推测解码，先用CTC贪婪搜索产生初始假设并以重复帧平均峰值概率估计逐词置信度，再按阈值生成置信掩码区分易难词元。然后仅对低置信位置调用注意力解码器做束搜索并与CTC得分插值融合，高置信词元直接复制保留，最终按束搜索总分选择最优序列。与混合CTC/注意力解码和注意力重打分需计算复杂CTC前缀得分并对全序列重打分不同，该设计完全避开前缀得分瓶颈并保持与分块流式解码兼容，使计算集中于少数难词，具有以接近CTC贪婪搜索延迟获得接近自回归精度的实际意义。在AISHELL-1测试集上，U2++ Conformer结合SASD的字错率（Character Error Rate，CER）为4.73%，与注意力重打分（Attention Rescoring）的4.77%相当，GPU实时率（Real Time Factor，RTF）为0.0188，约为后者0.0535的三分之一。该结论依赖最终长度与CTC假设严格一致且高置信即正确的假设，在高难长尾与强口音下尚未验证。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

输入是什么，要输出什么，为什么快和准难以兼得？

本文的研究对象是端到端中文语音识别，输入是一段按帧切分的声学特征序列，论文记为每帧维度为 D、总帧数为 T 的序列。输出是长度为 L 的汉字或词元序列，研究生复述时要先固定这个映射。模型必须同时解决声学对齐和语言语义两件事，对齐指每个字对应哪几帧，语义指结合上文选哪个字更通顺。

初学者容易误以为把声音丢给大模型、让它一个字一个字往外吐就是最优解，论文的起点恰恰是这个直觉的代价。注意力编解码器逐字生成时，每一步都要看编码器输出和已生成的上文，天然串行，句子越长等待越久。连接时序分类则对每帧独立做分类再合并重复和空白，可以高度并行，速度最快，但每帧独立判断削弱了上下文利用。

遇到同音、口音或噪声时，CTC 分支就容易出错，而注意力分支能靠上文纠偏。理解后文一切设计的前提，就是记住速度来自并行假设，精度来自上下文依赖，二者冲突。论文要回答的问题因此很具体：在不重新训练模型、不更换编码器的前提下，能否让 1 次解码既保留并行速度，又只在困难位置动用串行能力。

作者给出的答案是半自回归推测解码，所谓推测解码原本指用小快模型先猜、用大慢模型验证。这里的小快模型就是同一联合模型里的 CTC 分支，大慢模型就是同一模型里的注意力解码器。输入、目标和必须保留的信息都很明确：输入是已有联合模型的编码器特征和 CTC 概率，目标是输出与贪心等长的修正序列。

已有的加速路线各卡在哪里？

按输入、目标和运行阶段对照，现有路线可分为 3 类。第一类是单步非自回归，例如 Paraformer 和基于连续积分发放的模型，1 次并行产生整句，运行阶段最快。但这类模型需要 1 次性预测长度和对齐，语义建模容易受损，长尾语义错误难以自行修复。

第二类是迭代式非自回归，例如 Mask-CTC，把解码看成掩码语言模型任务，多轮掩盖再预测。精度随轮数提升，但多轮又把速度吃掉一部分，实际部署时需要权衡迭代次数。第 3 类是推测解码在语音的移植，包括掩码并行解码、面向大语言模型的草稿验证、音频前缀低秩适配等。

这些移植思路相近，但往往需要额外草稿模型或多次推理，系统复杂度更高。论文明确区分了自己与部分自回归推理的不同，部分自回归通常在掩码片段级做再生，需要设计复杂的片段划分策略。本文方法直接在词元级利用 CTC 尖峰分布做判断，设计更简单，也更容易与分块流式解码兼容。

另一条相关线是 WeNet 和 ESPnet 里已实现的 5 种解码，CTC 贪心最快但最不准。CTC 前缀束搜索精度相近且不支持批量，限制了吞吐；注意力束搜索精度更好但自回归拖慢长句。注意力重打分能并行重打分，却先要做串行的 CTC 前缀束搜索；混合解码则卡在精确 CTC 前缀分的复杂计算上。

难字少而分散，凭什么只修少数位置就够？

论文用一个统计观察把问题形式化，定义低置信词元为 CTC 分低于阈值的词元，阈值取 0.99。在 AISHELL-1 上用 u2++ Conformer 统计发现，约八成句子的低置信比例低于 16%。在该区间 5 种解码的字错率都低于 10% 且彼此接近，这说明大多数句子中难字很少。

举一个教学例子帮助理解，但不代表论文数值：假设一句 10 个字里有 8 个字的 CTC 概率接近 1，两个字只有 0.6。那么理想策略是直接保留 8 个高置信字，只对两个位置展开候选，这样能省掉大部分注意力计算。论文的实际做法正是如此：保持输出长度与 CTC 贪心初稿严格一致，只替换掩码位置。

这样做的前提是 CTC 分布足够尖锐，高置信确实对应高正确率；风险是阈值选得过高会修得太多丢掉速度。阈值过低则漏修难字，论文把阈值固定为 0.99，束宽固定为 10，CTC 权重固定为 0.2。后续所有实验都使用这组共同条件，保证了不同解码之间的可比性。

需要纠正的误解是，低置信不等于一定错误，高置信也不等于一定正确。论文只报告了按比例分组后的平均字错率趋势，没有报告误判率、漏检率或校准曲线。因此不能把该阈值理解为最优检测器，只能理解为工程上有效的分流启发式。

SASD 的五步流水线如何走完一句话？

先建立全景，共享编码器把语音变成高层特征，CTC 分支给出每帧概率。注意力解码器可以根据已生成上文给出下一个字的条件概率，SASD 的推理流水线共有 5 步。第一步用 CTC 贪心得到初稿并去重去空白，第二步用峰值概率生成置信度掩码。

第三步用重复词元均值得到轻量 CTC 词元分，第四步只对掩码位置做推测束搜索。第 5 步把注意力分与 CTC 分插值择优，最后按束得分选最优序列，高置信位置直接复制初稿。沿一个样本走一遍：假设编码器已输出特征，CTC 贪心给出 6 个字的初稿。其中第二到第 4 个字概率低于阈值，则掩码标记这 3 个位置，解码器从句首开始逐位置推进。

遇到高置信位置直接追加原字并累加原分，遇到低置信位置则调用 1 次解码器得到分布。与该位置的 CTC 分加权融合后取前 K 个候选继续推进，因为只替换索引位置而不增删长度。最终输出长度与初稿完全相同，这是复现时必须校验的不变量。

下面这张图是理解瓶颈位置的基准，它把 5 种已有解码画在同一编码器之后，便于对照 SASD 要删掉哪一块，该基准覆盖了后文所有加速讨论的起点。

CTC 贪心搜索 × 注意力解码器： CTC 贪心搜索负责并行快速给出整句初稿，分工是保速度和保长度骨架；注意力解码器负责利用历史和声学上下文修正语义，分工是保准确；二者搭配的理由是大多数位置 CTC 已足够准，只有少数低置信位置需要语义纠偏，组合后新增的作用是把自回归计算压缩到少数位置，避免整句逐字生成和复杂 CTC 前缀分计算。

看图路径： 1. 先从左侧语音经编码器向右看五条并行分支的主路径走向；2. 再对比只有 CTC 的分支与带有解码器的分支在框内组件差异；3. 重点看混合解码与注意力重打分中绿色框是否引入串行模块

论文图 2。原论文 Figure 1：“Illustration of the existing E2E ASR decoding meth- ods.”。

这张图从左到右是语音经编码器分叉到 5 个解码框，上两框只有 CTC 贪心或前缀束搜索。上两框内部没有解码器，第三框注意力束搜索带有蓝色解码器，第四框混合解码同时带有 CTC 前缀分和解码器。第五框注意力重打分先做前缀束搜索再进解码器，SASD 的目标就是保留第一框的速度，同时只在必要位置动用解码器能力。

尖峰、掩码与轻量 CTC 分如何配合？

第一个组件是 CTC 的尖峰特性，上层帧级网络输出平滑的音素后验，下层 CTC 输出则稀疏。大部分帧输出空白，只在窄峰处输出标签，空白概率用灰色虚线表示，标签激活用彩色实线表示。这种稀疏尖峰使得峰值概率天然可做置信度，接近 1 的位置通常对齐明确，明显小于 1 的位置往往是混淆或边界。

第二个组件是置信度掩码，实现动作很具体：对初稿中每个词元取其在贪心路径上的概率。若小于 0.99 则标记为待修，阈值是超参数，论文固定为 0.99。原文没有报告不同阈值的消融曲线，复现时应先原样保留该值，再自行补做灵敏度分析。

第 3 个组件是轻量 CTC 词元分，传统做法需要精确前缀分或前缀束搜索来得到声学分。这种精确计算串行且难并行，SASD 改为对贪心路径中重复词元的概率取均值。作为该词元的声学分，再与注意力对数概率按权重插值，公式目标是联合打分。需要指出，训练阶段的联合损失同时包含 CTC 对数似然和注意力对数似然，推理阶段的插值权重是解码超参数。

置信度掩码 × 推测束搜索： 置信度掩码负责根据 CTC 峰值概率判断哪些位置可信、分流高低置信字；推测束搜索负责只在低置信位置展开注意力候选并与 CTC 分插值择优；搭配理由是掩码给出稀疏的修正点使束搜索不必全句展开，组合后新增的作用是在保持原句长度不变的前提下实现局部可控改写。

理解尖峰是理解掩码的前提，下图展示了帧级平滑分布与 CTC 尖峰分布的对照，该对照直接解释了峰高为何能当置信度使用。

看图路径： 1. 先看最上层波形与下方两排概率曲线的时间对齐关系；2. 再对比中间帧级平滑分布与底层 CTC 尖峰分布的形状差异；3. 观察虚线空白概率在大多数帧占主导而标签只在窄峰出现

论文图 3。原论文 Figure 2：“CTC peaky output, where colored lines represent label activations over time [19].”。

该图自上而下为波形、帧级标签概率、CTC 标签概率，横轴为时间，纵轴为概率。中间排曲线宽而平滑，底部排曲线窄而尖，大部分时间贴零，只在对应单词的时刻出现窄峰。空白虚线在峰间接近 1，这解释了为什么可以用峰高做置信度，峰矮或多峰混杂则对应需要语义帮助的位置。

CTC 前缀分 × 词元平均概率： CTC 前缀分负责在混合解码中对所有对齐求和给出严格的声学打分，分工是精确但计算复杂且破坏并行；词元平均概率负责用贪心路径中重复词元的均值做轻量声学打分，分工是快速可并行；搭配理由是 SASD 不需要精确对齐求和即可与注意力分插值，组合后新增的作用是去掉束搜索中的串行瓶颈。

把掩码与轻量打分结合，SASD 只在掩码位置展开束搜索，高置信位置直接复制。从而把注意力计算量从整句降到少数位置，这是后文加速比的主要来源，也避免了精确前缀分的串行瓶颈。

本研究训练了什么，冻结了什么，推理时真实计算是什么？

这是一个需要仔细交代的部分，论文没有训练新声学模型，训练职责由已有的 WeNet 预训练模型承担。训练阶段的模型是标准的联合 CTC 注意力模型，损失为 CTC 对数似然与注意力对数似然的加权和。论文未报告这些预训练模型的优化器、学习率和更新步数，也未说明是否冻结编码器。

因此不能从模型名称推定训练细节，解读时必须明确：本研究的贡献在解码算法，不在训练新权重。推理时的真实计算是确定性的算法流程，不是学习过程，给定编码器特征和 CTC 概率。先做贪心取每帧最大标签再去重去空白，得到初稿，再按阈值生成掩码。

自回归 × 半自回归： 自回归指每个输出字都依赖前面已生成字逐步产生，优点是语义建模强、缺点是不能并行；半自回归指整句先并行初稿、仅难字走自回归修正；搭配理由是语音中易字占多数，组合后新增的作用是训练仍按自回归联合损失保证性能，推理按难度分流兼顾速度。

下图把上述推理计算画成自上而下的流水线，顶部是贪心初稿，中间是掩码分流，底部是局部束搜索，便于按箭头逐步复现。

看图路径： 1. 先沿顶部 CTC 贪心圆点链向下看置信度掩码的分流箭头走向；2. 再看中间红色框内被打叉的低置信位置如何绕到下方虚线框；3. 确认下方虚线框标注的注意力分加 CTC 分如何回接到主链

论文图 4。原论文 Figure 4：“Illustration of the proposed SASD algorithm.”。

该图顶部是 CTC 贪心得到的绿色圆点链，向下经生成置信度掩码到达中间链，中间链两侧绿色圆点为高置信直接保留。红色框内 3 个打叉灰点为低置信待修，下方虚线框为推测束搜索，标注注意力分加 CTC 分。左右两条弧线表示从掩码前一个高置信状态进入束搜索、修完后再接回后续高置信状态，复现时先实现掩码分流，再实现低置信位置的局部束展开。

在哪些数据、模型和度量下比较，条件是否一致？

数据方面，论文使用 AISHELL-1 测试集共 7176 句约 5 小时，WenetSpeech 的 TestNet 约 23 小时互联网语音。还包括 TestMeeting 约 15 小时远场会议语音，以及一个 33 小时的内部中文测试集。内部集覆盖听写、呼叫中心和助手场景，原文未给出划分采样细节和统计显著性方法。

聚合口径为数据集级平均字错率，指标方向是字错率越低越好，实时率越低越好。加速比则越高越好，阈值、束宽和 CTC 权重在对比中保持固定。模型方面，选用 WeNet 上 5 个公开预训练中文模型，包括 u2++ Conformer 约 46M 参数。还包括 u2pp Conformer 约 50M 参数、WenetSpeech 大模型约 117M 参数以及两个 Efficient Conformer。

解码超参数固定为束宽 10、CTC 权重 0.2、阈值 0.99，分块条件对比全量与 16 两种。硬件为英伟达 4090 显卡和至强 8336C 中央处理器，批量为 1 和 8 两种。需要强调，引用自 Paraformer 等原文的实时率是在不同硬件和线程下测得。

论文已声明严格数值对比不可行，只能看趋势，这是初学者最容易误读的地方。资源可用性方面，本次收到的证据中没有发现来源绑定且完成超文本传输安全协议状态验证的资源。因此不得声称代码、模型或数据已公开，复现应理解为基于 WeNet 已有预训练权重自行实现 SASD 逻辑。

主结果：精度守住了吗，速度快了多少？

核心比较是在 AISHELL-1 上把 SASD 与 CTC 贪心、前缀束搜索、注意力束搜索、注意力重打分放在同一模型下对比。论文报告的趋势是：注意力重打分在 4 个 WeNet 解码中最好，CTC 2 分支相近但随分块变小退化明显。注意力束搜索略有退化，SASD 与注意力重打分相当，且随分块变小更稳定。

在 WenetSpeech 上同样报告 SASD 与重打分相近、优于其他分支，内部集上报告相当精度下 3.5 倍加速。速度方面，论文区分了批量为 1 和批量为 8，批量为 1 时图形处理器上 SASD 比注意力重打分快约 2.8 倍。中央处理器上快约 2.1 倍且接近 CTC 贪心，批量为 8 时在高吞吐场景下仍保持精度优势。

注意力重打分 × SASD： 注意力重打分负责先做 CTC 前缀束搜索得到候选再用注意力并行重打分，分工是精度最高但前端束搜索串行耗时；SASD 负责用 CTC 贪心代替束搜索并只对低置信字做注意力修正，分工是去掉前端瓶颈；搭配理由是二者共享同一编码器和解码器权重无需重训，组合意义在于用可部署的贪心加局部修正逼近重打分精度。

下图解释了为什么只修少数位置就能守住精度，它按每句低置信比例分组，同时给出句子占比和平均字错率，该分组是理解稀疏修正合理性的关键。

看图路径： 1. 先看横轴每句低置信比例与左侧蓝色直方图的句子占比分布；2. 再看右侧纵轴平均字错率随横轴上升的五条曲线的整体走向；3. 对比低比例区间曲线基本重合与高比例区间开始分叉的位置

论文图 1。原论文 Figure 3：“Sentence count ratios vs. average CER across de- coding methods as low-confidence ratio increases (AISHELL-1, u2++ conformer).”。

该图横轴为每句低置信比例，左侧纵轴为句子占比对应的蓝色直方图，右侧纵轴为平均字错率对应的 5 条曲线。直方图高度集中在左侧，约八成句子低于 16%，右侧高比例区间句子极少。5 条曲线在低比例区间基本重合且低于 10%，随横轴增大整体上扬并开始分叉，注意力类曲线相对更低，红色 SASD 曲线在多数区间贴近其他曲线。

下表把批量为 1 时 u2++ 模型的精度与速度放在同一视图，比较问题是同模型下 SASD 是否用可接受精度代价换到接近贪心的速度。公平条件是同一测试集、同一束宽阈值和同一作者硬件，指标方向是字错率越低越好、实时率越低越好。

表后需要同时讲收益与代价，收益是 SASD 在作者硬件上把图形处理器实时率降到 0.0188。中央处理器降到 0.0270，分别对应约 2.8 倍和 2.1 倍加速，且字错率保持 4.73% 与重打分相当。代价是仍慢于纯 CTC 贪心，且批量为 8 时的高吞吐数值与单步模型的文献值不在同一硬件下。未胜出项是纯精度视角下 SASD 并未稳定超越重打分，只是相当或略好，速度视角下也未超越贪心。

阈值、分块与批量变化时，结论还成立吗？

论文没有给出系统的阈值或束宽消融表，但提供了两类可复述的特有细节。第一类是低置信比例分组，已在上节图中展开：低比例主导且各方法接近，高比例稀少但差距拉大。这支持阈值为 0.99 时大多数句子只需少量修正，但也意味着阈值选择决定了计算量与精度的权衡。

原文未报告改阈值后的曲线，复现时应补做灵敏度分析，不能默认 0.99 全局最优。第二类是分块鲁棒性：在全量与 16 两种分块下，CTC 分支随分块变小退化明显。SASD 与重打分更稳定，在 WenetSpeech 的 TestNet 和 TestMeeting 上同样保持该趋势，小分块下优势更明显。

另一类细节是批量与硬件的交互，批量为 1 时中央处理器与图形处理器的重打分实时率接近。这说明前缀束搜索的串行合并破坏了图形处理器并行，SASD 因去掉该模块而在双硬件上都接近贪心。批量为 8 时高吞吐场景下 SASD 仍保持字错率优势，但原文未给出同硬件下与 Paraformer 的重测数字。

下表把分组统计与分块批量条件放在同一视图，比较问题是结论在哪些子条件下成立、在哪里变弱。公平条件是固定阈值 0.99 和束宽 10，指标方向仍是字错率越低越好，句子占比用于判断平均结论的代表性。

表后解释主要收益与反例，收益是结论在全量与小分块、多数据集上方向一致。低比例主导保证了平均加速，反例是高低置信比例区间的尾部句子误差仍然很高。SASD 虽相对较好但绝对误差仍高，且阈值、束宽、权重的联合灵敏度未报告。未评测边界包括噪声、口音、长尾热词和流式延迟，这些都需要补验证才能推广。

哪些验证还没做，不能承诺什么？

首先是测量缺项，论文报告了字错率和实时率，但未报告置信度分类的误判率。也没有报告漏检率、校准曲线、多次运行方差和统计显著性，因此不能承诺阈值 0.99 在新数据上同样最优。也不能承诺每句都加速，只能说在报告的平均意义上成立，总体趋势不等于每组每步都成立。

高低置信比例尾部的个别句子仍可能变慢或变差，平均改善不能推广到每句。其次是比较条件限制，跨论文的实时率数字来自不同硬件、批量和线程。论文已明确不可严格对比，解读时应把这些数字当作趋势参考，而不是排名依据。

同样，模型参数量和结构不同，单步模型字错率更高不能直接归因于解码。还可能来自声学建模差异，相关性不是因果，缺失证据不是技术错误。最后是部署边界，论文称设计兼容分块流式且无需重训，报告了分块为 16 时的稳定性。

但未给出流式延迟、首包延迟、内存占用和功耗的实测，也未说明批量解码的实现细节。训练资源、推理开销、输出帧率与实际延迟应分别讨论，不能用实时率下降直接等同于端到端延迟等比下降。

要复现 SASD，先做什么，后验证什么？

复现起点是准备 WeNet 环境和已有的联合 CTC 注意力预训练权重，不需要重新训练声学模型。第一步用 CTC 贪心得到初稿并记录每词元概率，注意实现去重去空白与原文一致。第二步按阈值 0.99 生成掩码，先统计低置信比例分布，验证是否复现约八成句子低于 16% 的形态。

第三步实现重复词元均值的轻量 CTC 分，再实现掩码位置的注意力束搜索与加权插值。权重取 0.2，束宽取 10，并强制输出长度与初稿一致，这是防止增删错误的关键断言。算法伪代码要求输入编码器特征、CTC 概率、CTC 权重、阈值和束宽，输出最优序列。

验证顺序建议先精度后速度，精度上在 AISHELL-1 全量分块下对比 CTC 贪心、注意力重打分和 SASD 的字错率。检查 SASD 是否接近重打分，再切到分块 16 检查稳定性，WenetSpeech 上重复 TestNet 和 TestMeeting 对比。速度上固定批量为 1 分别测图形处理器和中央处理器实时率，检查是否复现约 2.8 倍和 2.1 倍的方向。

再测批量为 8 的高吞吐，记录硬件型号、线程数、批量和分块，多次运行取均值和波动。还需补的验证包括阈值灵敏度、束宽与权重的网格搜索，以及高低置信比例分组的字错率曲线。只有补齐这些，才能判断该方法在自己业务数据上何时值得尝试，资源状态方面应以 WeNet 公开工具包为准。

何时值得尝试，一句话如何带走？

当你已经有一个训练好的联合 CTC 注意力模型，线上被自回归解码拖慢，又不想重训单步非自回归模型时，SASD 值得尝试。它的实质是把解码算力按难度分配：易字走并行贪心，难字走局部自回归。用阈值掩码和轻量声学分去掉前缀束搜索和精确前缀分两个瓶颈，系统改动只在解码侧。

适用条件是 CTC 分布足够尖锐、低置信比例主导且分块解码可用；不适用或需谨慎的场景是低置信比例很高的长尾噪声句。对每句延迟有硬约束但尚未实测流式延迟的场景，也需要先补测首包延迟和内存占用。带走的复述方法是：编码器特征加 CTC 概率输入，贪心初稿加 0.99 掩码分流。

低置信位置做注意力与 CTC 加权束搜索，高置信直接复制且长度不变，最终按得分择优。证据强度是报告级：在作者硬件和固定超参数下接近重打分精度并取得数倍加速。支持关系是分组统计和分块稳定性支持稀疏修正的合理性，待验证的是阈值最优性、跨硬件排名和真实流式延迟。

⚖️ 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