用发音器官的动作做桥梁：ARTIST 如何把 11 种印度语言压缩进 20 个离散单元做英译

英文题目：ARTIST: Universal Articulatory Space Modeling for Multilingual Indic-to-English Speech-to-Speech Translation

会议身份：conference:interspeech:2026:conference-paper-id:yadav26_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：#向量量化 #发声与构音 #低资源 #多语言 #语音翻译

评分：7.0/10 | 创新 1.5/2 | 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 1.2/1.5 | 开源 0.2/1.5 | 可复现 0.3/0.5 | 工程/实践 0.8/1.5

排名：前50% | 文档类型：方法研究

👥 作者与机构

• Khushal Yadav：机构信息未能从会议 PDF 纯文本可靠映射
• Vinayak Abrol：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

本文研究11种印度语言到英语的直接语音到语音翻译，输入为源语言波形，输出为英语波形，难点在于平行语音稀缺、声学变异大以及长音频自回归幻觉严重。方法链分为两阶段：先用IMS Toucan提取64维二值构音特征并以残差风格向量量化自编码器学习共享离散空间，码本仅20个条目；再由Conformer编码器对80维梅尔滤波器组建模并经中间CTC对齐源端离散单元以剥离噪声；接着由卷积增强差分Transformer自回归预测目标端离散单元；最后经冻结解码器重构构音特征并由Articulator-to-Mel生成器与HiFi-GAN-V1声码器合成波形，全程不经过文本或音素中间表示。相比依赖大规模声学离散单元与参数堆叠的SeamlessM4T类方案，该工作以生理约束的极小码本强制跨语言共享，从机制上将高资源语言变为低资源语言的语音支架。在BhashaAnuvad筛选子集的20秒至50秒长音频测试上，印地语方向取得22.14的BLEU与0.726的COMET，显著高于基线的13.21与0.654；推理 footprint为166M，其中核心语音到构音器83M、声谱生成器50M、声码器31M、冻结向量量化解码器2M。该结论限于印度语系到英语、短训练长测试的特定划分，未验证反向翻译、非印度语系泛化与主观听感。原文披露单卡H100训练53个周期，具备低显存部署潜力。

🔗 开源与复现资源

• 演示资源：https://sites.google.com/view/artist-demo/ — 链接可访问（HTTP 200） 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，哪些信息必须保留？

这篇论文研究的是印度多语言到英语的直接语音到语音翻译。输入是源语言的波形，例如印地语、泰米尔语、卡纳达语等 11 个方向的自然朗读，输出是英语内容的波形，不经过显式文本中转。初学者容易把这个任务理解成先识别再翻译再合成的 3 段流水线，但原文要做的是端到端直接建模，只是中间用发音空间做桥梁。必须保留的信息是语言内容，也就是说什么音位序列对应什么英文含义，而需要丢掉的是说话人音色、背景噪声、语速和各语言特有的声学细节。

论文反复强调的矛盾是，大模型靠堆参数和堆 mined 数据在高资源语言上有效，但在平行语音只有几十小时甚至 10 小时的印度语言上容易过拟合声学方差，并在长音频上产生幻觉式乱译。为此作者提出 ARTIST 这个名字，全称在引言写为 Articulatory Representation Transfer for Indic Speech Translation，核心动作是把波形先映射到与声道动作对应的通用发音表示，再在这个离散空间里做翻译，最后才转回梅尔谱和波形。演示页在资源清单中状态为可用，地址是官方站点，但正文的证据主体仍是论文文字和图表，学习时以论文条件为准。

已有路线走了哪些路，为什么低资源印度语言仍然困难？

先把相关工作按相同输入输出来对照。传统级联系统把识别、翻译、合成串起来，误差会逐级放大且延迟高。端到端路线如 Translatotron 系列试图用一个序列到序列模型直接波形到波形，减少级联误差。离散单元路线如 UnitY 和 XLS-R 用声学自监督单元 bridging 模态差距，但原文指出它们需要极大数据量才能稳定跨语言表示。另一支用音位条件变分自编码器或直接波形预测的方法，同样因为语言相关的声学可变性在极低资源下不稳定。

作者把 ArticulateX 视为最近的单语发音空间工作，把 FastSpeech-2 和 QGAN 视为快速高质量合成的可用部件，把 SeamlessM4T 视为最相关的大规模端到端比较锚点。需要区分的是，IndicSeamlessM4T 在脚注中被明确排除，因为它是语音到文本模型，不能与语音到语音直接对比。教学上可以这样记：级联是分段外包，声学单元是大词表记音，发音空间是记口型动作。口型动作跨语言更通用，例如双唇闭合在多种语言里物理过程相近，因此作者认为用生理先验做结构约束，比纯声学扩展更适合数据受限的印度语言连续体。

论文把困难具体化成哪两个可检验的问题？

第一个问题是表示问题：如何让 11 种声学差异很大的输入共享同一套翻译目标，而不为每种语言各学一套声学映射。论文的回答是学习一个高度压缩的共享离散瓶颈，码本只有 20 个，用激进压缩逼迫参数共享，让高资源语言充当音位支架。第二个问题是时序鲁棒性问题：自回归模型在短句上训好后，到 20 到 50 秒的长音频上是否出现注意力退化和幻觉。

论文把这个问题做成受控的分布外协议，训练只用 3 到 20 秒的短片段，测试用 IndicVoices-ST 切出的每语言 1 到 4 小时长音频，平均时长 25 秒左右，从而直接检验不加长训练数据时的泛化。举个教学例子而非论文数据：好比只练过短跑的接力队直接去跑长距离，考察的是交接棒机制本身是否抗疲劳。论文的两个可检验点正好对应这两个动作：瓶颈是否带来跨语言迁移，解码器是否抗长序列噪声积累。

沿一个样本走完全流程：从源波形到目标波形经历了什么？

假设输入是一段 8 秒的印地语波形，目标是输出对应英文含义的英语波形。第一步是特征提取，波形转成 80 维梅尔滤波器组，再经卷积下采样进入 Conformer 编码器。第二步是早期解耦，浅层声学表示先被中间 CTC 头对齐到源端发音离散单元，条件化结果残差加回主路，深层再做跨语言转换。第三步是自回归解码，解码器逐个预测目标端离散发音单元，词表共 33 个，包含 20 个发音单元和必要的控制符。

第四步是解耦合成，预测的目标单元送入预训练好并冻结的向量量化自编码器解码器，还原为稀疏连续发音表示，再经轻量发音到梅尔谱生成器转成梅尔谱，最后用预训练 HiFi-GAN 声码器转成波形。训练时源和目标的发音真值都来自同一冻结编码器，分别提供 CTC 目标和注意力交叉熵目标；推理时只走目标侧合成分支。下面的图把推理、训练和内外结构放在一起，先看文字导读再看图，再读图后解释，就能把样本路径与模块对应起来。

下面这段先说明看图的顺序：先看面板 a 的推理主路，再看面板 b 的双损失训练，最后看面板 c 的编码器与解码器内部堆叠，这样才能把离散单元在何处产生、在何处被监督看清楚。

看图路径： 1. 先沿面板 a 从左侧源语言波形经蓝色块到紫色离散单元再到橙色解码器和绿色合成的箭头走一遍推理主路；2. 再看面板 b 中冻结的 VQAE 编码器如何同时给出源单元和目标单元并分别送往 CTC 损失和注意力损失；3. 最后对照面板 c 左侧编码器底部 Mel 滤波器组经 3 块 Conformer 到 CTC 条件再到 6 块 Conformer 的结构与右侧解码器中差分注意力和因果卷积交替堆叠 6 次的结构

论文图 1。原论文 Figure 1：“Overview of ARTIST.”。

图 1 包含 3 个面板，像素可见的内容可以这样对应到样本路径。面板 a 顶部标出特征提取器、语音编码器和自回归解码器 3 个小框，下方蓝色大块写作从语音到目标语言单元，输出 Z1、Z2 到 Zt 的紫色离散单元，随后进入橙色 VQAE 解码器，再经绿色发音到梅尔加声码器输出目标语言波形，中间还画出目标发音表示的黑白格示意。

面板 b 左侧是待训练的蓝色语音编码器和自回归解码器，右侧是标有雪花符号的冻结 VQAE 编码器，它吃入源与目标发音表示的黑白格并输出上下两排单元，上排源单元送往红色 CTC 损失，下排目标单元与解码器输出的注意力损失做虚线对齐，火焰符号标在待训练模块上。面板 c 左侧从下往上是梅尔滤波器组、卷积下采样、3 块 Conformer、前层归一化、CTC 条件化再到 6 块 Conformer 和后层归一化，中间绿色小图展开条件块内的 CTC 前馈、Softmax 和投影层。

右侧是堆叠 6 次的解码块，从下往上为旋转位置嵌入、前层归一化、差分自注意力、因果卷积模块、交叉注意力等并带有残差回路。读完图就知道冻结与训练的边界在哪里，离散单元既是监督也是推理的唯一接口。

共享发音瓶颈是如何构造的，冻结了什么？

构造分 2 个阶段。第一阶段是多语言发音空间预训练。输入不是波形，而是经 IMS Toucan 提取的 64 维二值发音目标，源序列与目标序列在批量维度拼接成联合输入。结构是残差风格的全卷积向量量化自编码器，隐层 128 维，3 个核为 7 的残差块，码本压缩到 20 个。连续隐变量经最近邻查找量化，解码器直接从量化后表示重建发音空间，不做中间反量化。

优化目标是掩码二值交叉熵加标准向量量化嵌入损失和承诺损失，承诺系数为 0.25。训练完成后编码器和码本被严格冻结，为下游提供稳定的离散目标。原文明确说推理时解耦合成，只从预测的目标隐变量解码目标特征。这个冻结很关键：它保证翻译阶段的监督不漂移，也让合成侧可以独立复用。

发音特征 × 向量量化自编码器： 发音特征负责给出与声道动作对应的连续物理描述，抽象掉说话人和通道差异，向量量化自编码器负责把源端和目标端的发音特征一起压缩到只有 20 个码字的共享离散码本，二者搭配的理由是用生理先验约束表示空间，使高资源语言学到的发音组合能直接作为低资源语言的支架，组合后新增的作用是下游翻译只需预测 33 词表内的离散单元而不是连续声学细节。

需要补一个实现细节：论文未报告该预训练所用的具体多语言发音数据量和掩码比例，只给出结构和损失形式，因此复现时只能先按描述搭出 20 码本全卷积结构，不能推定其训练步数或数据配比。若把码本放大，跨语言共享压力会下降，但论文没有做该对照，所以不要自行断言码本越大越好。

编码器与解码器各自解决什么计算问题，如何配合？

编码器要解决的是早期把语言内容从声学变化中剥离出来。它把降采样后的梅尔序列先送入初始声学 Conformer 块，隐表示经条件块预测源端离散单元，辅助目标是负对数 CTC 概率。条件化输出残差加回主路，再进入后续 6 个 Conformer 深层。原文的安排理由写得很直白：让深层摆脱底层声学建模，把容量留给跨语言转换。解码器要解决的是在长序列上不积累噪声且尊重发音运动的局部连续性。

它用 6 块卷积增强差分 Transformer 块，每块内交错因果 Conformer 卷积模块，核为 5 并用因果填充保证自回归，同时用差分注意力聚焦显著声学帧。监督是针对量化目标单元的标准交叉熵注意力损失，总目标是两项加权，权重为注意力 0.8 和 CTC0.2。整个语音到发音器管线共 83M 参数，加上发音到梅尔 50M、HiFi-GAN31M 和冻结 VQAE 解码器 2M，推理足迹严格为 166M。

中间 CTC 监督 × 编码器解耦： 中间 CTC 监督负责在浅层声学 Conformer 之后预测冻结码本给出的源端离散单元，编码器解耦负责把该预测经条件块残差加回主路后让深层专注跨语言映射，二者搭配的理由是若不在早期显式对齐音位结构，深层会被背景噪声和韵律缠住，组合后新增的作用是提前滤掉声学可变性，稳定低资源训练。

差分注意力 × 因果卷积模块： 差分注意力负责在长序列上抑制不显著帧的注意力噪声并保留全局上下文，因果卷积模块负责建模双唇闭合、软腭下降这类具有局部连续性的发音运动，二者搭配的理由是纯全局注意力会丢失发音运动的时序平滑性而纯卷积又看不远，组合后新增的作用是在自回归生成目标单元时同时保持局部生理连续和长程抗幻觉能力。

语音到发音器 × 发音器到梅尔谱： 语音到发音器负责把源波形的梅尔滤波器组映射为目标端离散发音单元序列，发音器到梅尔谱负责把预测单元经冻结解码器还原的稀疏连续发音表示转成梅尔谱，二者搭配的理由是彻底绕开文本和纯声学离散单元中介，全程保留在发音空间内，组合后新增的作用是解耦翻译与合成，使合成侧只看目标单元即可独立解码。

多语言联合预训练 × 单语训练： 多语言联合预训练负责把源和目标发音序列批量拼接后送入同一向量量化瓶颈学习通用发音语法，单语训练只见一种语言的发音组合，二者对照的理由是检验小码本到底是引起容量竞争还是带来协同，组合意义在于论文用印地语单语 22.14 到 12.95 的 BLEU 落差证明共享瓶颈起到跨语言支架作用而非互相挤占。

配合关系可以这样记：编码器先做减法去掉噪声，解码器再做加法补上局部平滑与全局聚焦，瓶颈在中间限定词表，三者缺一不可。消融部分会用数字验证拿掉每一块的影响，但此处先记住分工，后面看表时才能把 BLEU 落差对应到具体机制。

训练分几步走，每步更新哪些参数、用什么监督？

第一步是发音空间预训练，更新的是向量量化自编码器的编码器、码本和解码器，监督来自发音特征本身的重建，外加嵌入与承诺约束。结束后编码器和码本冻结，解码器留作推理合成用，参数仅 2M。第二步是语音到发音器训练，在单张 H100 上跑 53 个周期，批量 32、累积 4、梯度裁剪 3.0，优化器为 AdamW，学习率千分之一、权重衰减千分之一，贝塔为 0.9 和 0.98，预热 25000 步。输入是 80 维梅尔滤波器组，编码器为 9 块 Conformer，模型维度 512、头数 2、Swish 激活、卷积核 31，解码器为 6 块差分 Transformer。

此时可训练的是语音编码器和自回归解码器，冻结的 VQAE 编码器只提供源单元作为 CTC 目标和目标单元作为注意力目标，不参与更新。第三步是声学合成，发音到梅尔生成器受 FastSpeech-2 启发，被显式重优化以吃稀疏发音特征，绕开文本或音位生成，最后接预训练 HiFi-GAN-V1。论文没有报告发音到梅尔与声码器是否在翻译数据上微调，只说声码器是预训练，生成器是轻量且被重优化，因此复现时应先冻结声码器、单独训练生成器，再联调端到端推理，不要推定三者联合微调。

数据、筛选、长短协议和评价指标是如何设定的？

数据用 BhashaAnuvad，包含 IndicVoices-ST、MannKiBaat、NPTEL 和 WordProject 4 个来源，覆盖 11 个印度语言到英语方向。训练用严格过滤，挖掘分数不低于 0.6、对齐分数不低于 0.8，评价放宽对齐到不低于 0.5 以反映真实噪声。训练量故意倾斜，从中等资源锚点到极端每语言 10 小时，古吉拉特语训练仅 9.99 小时，卡纳达语 21 小时，印地语 355.69 小时。测试是专门切的分布外长序列集，每语言 1 到 4 小时，平均时长 25 秒左右，而训练平均时长只有 7 到 10 秒。这种短训长测的设计就是为了暴露自回归幻觉。

评价用 BLEU、chrF 和 COMET，方向都是越高越好，另引入联合效率分，定义为 BLEU 除以训练小时数与 1000000000 参数数的乘积，用来同时惩罚大数据和大参数。比较对象是 1,200,000,000 参数的 SeamlessM4T，论文强调它是同样用离散隐表示的大规模端到端结构，是最相关锚点，且测试都在自建的 20 到 50 秒长序列集上做，以公平考察时序鲁棒性。下表把训练与测试的时长分布放在一起，先看数量级差异再读结果，就不会把 BLEU 差距误读为单纯模型大小差异。

下面这张表要回答的问题是训练与测试在时长和数据量上是否刻意错开，公平条件是同一长序列测试集，指标方向是训练平均时长越短而测试越长则泛化要求越高。

表后需要说明代价与边界：训练平均 8 秒左右而测试平均 25 秒以上，意味着所有长句结果都是分布外泛化，不能推广到训练同分布短句；古吉拉特语训练不足 10 小时而测试仅 1.15 小时，其高分是在小测试集上取得，方差可能更大；马拉地语等中等资源语言的训练量仍有 40 小时，低资源结论不能直接套用到零样本语言。

主结果测了什么，在什么条件下比过了谁？

主结果测的是在长序列分布外测试上，ARTIST 与 SeamlessM4T 在内容保真上的差距。条件一致性在于双方都在同一 20 到 50 秒测试集上评分，指标都是越高越好，但训练数据量并不一致，这正是论文要展示的数据效率：ARTIST 只用严格过滤后的 primary 数据，而基线汇总了 primary 加 mined 数据，总小时数远高。例如高资源印地语 ARTIST 用 314 小时对基线 584 小时，中资源泰米尔语用 141 小时对 905 小时，极低资源古吉拉特语用 10 小时对 135 小时。结论是 ARTIST 在 11 个方向全面领先，且联合效率分有 23 到 231 倍的相对提升，参数仅为基线的 8% 不到。图 2 用梅尔谱直观展示合成保真，先看导读再看图。

下面这段是看第二张图前的导读：左右两张图分别是预测语音与真值语音的梅尔谱，横轴为时间，纵轴为频率，颜色为能量，文本内容在图注中给出措辞差异，观察重点是谐波延续与静音间隙是否对齐而非文字逐词相同。

看图路径： 1. 先确认左右两张梅尔谱图的横轴都是 0 到 7 秒以上的时间，纵轴都是频率刻度，颜色深浅表示能量；2. 再逐段对比预测与真值在浊音谐波带和静音间隙上的延续位置是否对齐；3. 注意图注给出预测文本与真值文本措辞不同，观察声谱仍能对齐说明评价的是翻译后语音的内容与韵律保真而非逐词复制

论文图 2。原论文 Figure 2：“Mel-spectrogram comparison between Prediction: ‘in moments of conflicts people often sing songs to increase their enthusiasm and create a sense of collection’ and Ground Truth:…”。

从像素可见，两张谱图都是宽高相近的热图，横轴从 0 延伸到 7 秒以上，纵轴从 0 到 200 以上，低频区有明亮的平行谐波带，高频区能量较弱，中间有多条垂直深色静音缝。左右在整体包络、谐波起伏和静音位置上高度相似，说明尽管预测文本把 struggle 说成 conflicts、把 inspire each other 说成 increase their enthusiasm，语音的韵律分段和能量分布仍与真值接近。论文用此支持高保真合成的说法，但要注意这只是单样本可视化，不能代替 11 个语言的平均指标，下一张数字表才是主证据。

下面这张数字表要回答的问题是内容指标是否全面领先，公平条件是同一长序列测试，指标方向是 BLEU、chrF 和 COMET 越高越好。

表后解释主要收益与代价：印地语提升 8.93 个 BLEU 点和 13.55 个 chrF 点，泰米尔语提升 10.85 个 BLEU 点，卡纳达语用 21 小时做到 14.67 分而基线用 289 小时仅 6.50 分，古吉拉特语用 10 小时做到 16.91 分。代价是古吉拉特语的 COMET 为 0.695 略低于基线的 0.698，是表中未胜出的反例，说明内容词准确但语义连贯性优势不大；同时基线在短句同分布上的表现未在此测试中报告，因此长句领先不能推广为所有场景领先。

拿掉哪一块会怎样，早期融合为什么重要？

消融在印地语到英语上做，测的是每个结构选择的增量贡献，指标方向同样越高越好。完整多语言加 CTC 为 22.14 分，拿掉中间 CTC 直接掉到 1.07 分，说明早期音位对齐是训练稳定的必要条件而非可选项。把 CTC 条件从早期移到深层，分数掉到 19.68 分，证明用粗糙声学特征早对齐、把深层留给跨语言映射的安排更优。拿掉解码器卷积模块，分数掉到 19.81 分，证明差分注意力管全局去噪仍需卷积补局部连续。只用印地语单语训练，分数掉到 12.95 分，证明 20 码本瓶颈带来的是协同而非容量竞争。

下面这张表要回答的问题是哪项消融损失最大，公平条件是同一印地语测试与同一训练预算，指标方向是 BLEU、chrF 和 COMET 越高越好。

表后要讲清反证与限制：去 CTC 的崩溃支持早期解耦的必要性，但论文未报告该配置的训练曲线方差，不能判断是必现崩溃还是单次随机；后期融合与去卷积各损失约 2.3 和 2.33 个 BLEU 点，说明两者量级相近，不能说谁绝对更重要；单语对照只在印地语上做，未在极低资源语言上重复，因此跨语言支架在低资源端的强度仍待验证。

哪些结论有边界，哪些量没有被测量？

首先是基线覆盖的边界。论文只与 SeamlessM4T 对比，未与级联系统或同等 166M 量级的发音基线对比，因此领先只能表述为对该大基线在长序列上的领先，不能推广为对所有路线领先。其次是数据口径的边界。训练小时数在正文两处写法不完全一致，表格与文字对印地语等语言的小时数存在 primary 与 total 的区分，阅读时应以表格的训练集划分为准，文字中的 314 小时等应理解为过滤后实际用量，存在统计口径差异就应标注冲突而非强行统一。第三是未测量量的边界。

论文报告了显存效率和参数量，但未报告推理延迟、实时率、主观听感分和误译率，长句 BLEU 高不等于延迟低或人听自然。第四是合成链的边界。发音到梅尔与声码器的训练数据和冻结策略交代不全，单样本谱图不能证明所有语言的音质。区分用词很重要：数字表显示的是报告，跨语言支架是有限解释，而生理先验必然带来因果改善则是未验证推测，需要更多语言和重复实验才能确认。

要复现这套方法，先做什么，需要哪些超参数？

复现顺序应按依赖排。先复现发音特征提取，用 IMS Toucan 得到 64 维二值目标，再搭全卷积向量量化自编码器，隐层 128 维、三块核 7 残差块、码本 20、承诺系数 0.25，用掩码二值交叉熵加嵌入与承诺损失训练，完成后冻结编码器和码本。再搭语音到发音器，输入 80 维梅尔滤波器组，编码器 9 块 Conformer，模型维度 512、头 2、卷积核 31，解码器 6 块差分结构、因果卷积核 5、词表 33，总损失权重为注意力 0.8 加 CTC0.2，优化器 AdamW 学习率千分之一、权重衰减千分之一、预热 25000 步、单卡批量 32 累积 4 训练 53 周期。

最后搭发音到梅尔生成器与 HiFi-GAN 声码器，先保证能从真值发音单元重建梅尔谱，再接入预测单元做端到端推理。验证时先在短句上算 BLEU、chrF 和 COMET，再切到 20 到 50 秒长句测分布外，古吉拉特语等小测试集要多次采样看方差。资源状态方面，演示页当前可用，但论文未声明代码与权重公开，因此应按未公开处理，先做模块级复现并补记缺失的掩码比例、生成器训练细节和随机种子。

何时值得尝试这种发音瓶颈，何时不值得？

当你的任务是多语言到同一目标语言的语音翻译，且平行语音稀缺、长音频幻觉严重，又能拿到可靠的发音特征提取器时，值得尝试这种 20 码本共享瓶颈加早期 CTC 的思路，因为它用小词表逼迫跨语言共享，并把去噪提前到浅层，长测结果支持其数据效率。当你只有单语充足数据、或目标是保留原说话人音色和细腻韵律时，不值得直接照搬，因为极度压缩会丢掉个性化声学细节，且论文未在音色保留上评价。

初学者复述时记住一句话：源波形经编码器早对齐到源发音单元，深层做跨语言转换后自回归预测目标发音单元，再经冻结解码器、发音到梅尔和声码器合成英语波形，全程词表只有 33 个。重提结果时要加新条件：领先是在短训长测的分布外协议下对 1.2B 基线的领先，代价是依赖 2 阶段预训练与冻结设计，换数据分布前还需补延迟、主观分和多随机种子的验证。

⚖️ 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