野外影视学表达：用属性思考令牌把开放指令和音色解耦

英文题目：Poly-InstructTTS: Learning In-the-Wild Expressive Speech Synthesis from Open-Ended Instructions

会议身份：conference:interspeech:2026:conference-paper-id:zhang26m_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 #流匹配 #SFT #文本到语音

评分：7.0/10 | 创新 1.4/2 | 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 0.2/1.5 | 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

• Junhui Zhang：机构信息未能从会议 PDF 纯文本可靠映射
• Qianhui Xu：机构信息未能从会议 PDF 纯文本可靠映射
• Qingxiang Guo：机构信息未能从会议 PDF 纯文本可靠映射
• Dawei Yang：机构信息未能从会议 PDF 纯文本可靠映射
• Ling Miao：机构信息未能从会议 PDF 纯文本可靠映射
• Qiangqiang Wang：机构信息未能从会议 PDF 纯文本可靠映射
• Yang Song：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

该任务以开放式自然语言指令与待合成文本为输入，在给定参考音频音色条件下输出兼顾指令跟随与细粒度情感韵律的语音，难点在于野外极端情感与副语言现象稀缺，且提示音频风格易与指令冲突。本文方法链分四步：多模态管线从影视音视频中切分去噪并对齐单说话人语句，再由多模态大模型分三阶段生成指令标注；无提示音频的自回归语言模型将指令与文本映射为韵律化离散语音词元，中间以紧凑属性思考词元作先验；流匹配声学模块与声码器仅在此后注入参考音色；指令条件说话人微调以说话人标识将通用控制能力迁移到特定人。与需音频提示或限于主流情感的已有指令语音合成相比，该路由将风格归语言模型而音色归声学模块，从机制上缓解风格泄露。在基础评测集上该系统声学参数指定得分为91.1接近Gemini-Flash TTS的92.3，角色扮演得分为88.7超过该基线的80.1，指令跟随主观分为3.81为同期最高；扩展集角色扮演得分为90.1，指令主观分为3.96。结论仅适用于有参考音频的音色注入场景，在噪声与混响等恶劣声学条件下仍退化，且高表现力伴随词错率上升。原文披露单张RTX 4090上整体实时率为0.06，训练成本未充分披露。

🔗 开源与复现资源

• 演示资源：https://zhangjh915.github.io/PolyInstructTTS-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

任务是什么：开放指令要控制哪些声音变化？

输入是两段文本，一段是开放式自然语言指令，例如描述说话人要压低声音、带哭腔、犹豫拖长或突然尖叫，另一段是要朗读的内容文本。目标输出是一段语音波形，其文字内容与内容文本一致，其韵律、情绪强度、说话风格和副语言现象要符合指令描述，同时音色由另一段参考音频决定或由固定说话人决定。必须保留的信息是内容可懂度不能丢，音色不能串味，指令要求的细粒度变化要可听辨。

初学者容易把这个任务理解为把声音丢给模型做克隆。克隆只要求复制参考音频的音色和韵律，而指令合成要求理解语义再创造韵律。例如指令说他发出一声尖叫，词语被恐惧拖得很慢，模型需要把恐惧映射为更高的能量、更长的拖音和不稳定的基频，而不是简单复制参考音频的平静朗读腔。这就是论文要解决的中心矛盾：语义理解与声学实现的跨越。

自然语言指令 × 风格标签： 自然语言指令负责用开放词汇描述情绪强度、说话方式和副语言行为，风格标签只负责从预设集合中选一类；前者分工是表达连续细微的变化，后者分工是快速分类。搭配理由是影视对白的情绪无法被几个大类穷举，组合意义是让模型先理解语义再映射到韵律，而不是只做分类到模板的查表。

现有零样本语音合成已经能做到高自然度，常用结构是自回归 GPT 预测离散音频令牌，流匹配模型把令牌转为梅尔频谱图，声码器再转为波形。但主流系统在 GPT 阶段仍需要一段提示音频，提示音频自带的风格会与指令冲突。论文报告这种冲突会降低可控性，称为风格泄漏。另一条限制是数据，多用有声书和播客，以中性朗读为主，缺少耳语、哭喊、犹豫、笑声等真实对话中的极端表达。

已有路线如何标注指令与搭建跟随模型？

第一条路线是指令标注音频数据集。早期工作把性别、情绪、音高等声学标签简单拼接，再用规则模板拼成自然语言。后来引入大语言模型生成多属性指令文本，例如 Audiobox、SpeechCraft、Parler-TTS 一类工作。但论文指出，这些数据多来自开源朗读数据或商业接口合成语音，以标准中性口吻为主，难以覆盖副语言和极端情绪。教学例子是：用有声书数据训练的模型可以读出愤怒一词对应的大类，但很难区分讽刺的冷笑与绝望的尖叫。

第二条路线是指令跟随语音合成系统。早期 InstructTTS 和 PromptTTS 用传统声学模型编码描述，没有利用 GPT 的语义建模。近期 FLEXIVOICE 把指令与内容拼接后送入 GPT，但推理仍需音频提示，存在泄漏风险。EmoVoice 去掉提示需求但只限主要情绪。VoxInstruct 引入 MT5 文本编码器做多任务，TextrolSpeech 把文本转音素后输入，可能破坏高层语义联系。OV-InstructTTS 同样用 GPT 加流匹配框架，但监督模型预测大语言模型生成的自由思考文本。

论文与上述工作的同输入同目标对照是：输入都是指令文本加内容文本，目标都是生成符合描述的语音，监督都是指令音频对，运行阶段都是推理时给定新指令。与 Qwen3-TTS 的思考令牌概念相近，但论文明确不用长文本思考，而用紧凑属性符号。与 OV-InstructTTS 的区别在于不强迫声学模型预测复杂自由文本，以保持稳定性。

要解决的三个具体困难是什么？

第一个困难是理解复杂指令。开放指令包含人物关系、场景背景和程度副词，例如绝望的恳求、慢慢拖长、压低声音。模型需要把这些词映射为可执行的韵律操作，而不是只识别一个情绪词。论文把预训练放在重要位置，先在大规模语料上获得基础合成能力，再在指令数据上做后训练，以保留内容理解。

第二个困难是提示与目标风格冲突。若 GPT 同时看到参考音频的声学提示，它会倾向于模仿提示的平静韵律，即使指令要求尖叫。论文的解法是架构解耦：GPT 完全不看提示音频，只看指令和内容，音色只在流匹配阶段注入。这样 GPT 学到的是指令到内容与韵律的映射。

第 3 个困难是缺乏野外表达数据。传统数据缺少口音多样性、低强度情绪如厌倦和释然、极端变体如尖叫和讽刺、非主流风格如机器人和冥想、非流利现象如犹豫和口吃，以及电话和混响等野外声学条件。论文因此转向影视剧视听媒体，并扩展了 InstructTTSEval 测试集以覆盖这些维度。

系统全景：一个样本如何走完输入到波形？

先沿一个样本走完全程。假设内容文本是 Oh God, please no!，指令是他发出一声尖叫，词语被拖得很慢，充满恐惧的绝望恳求。系统把指令文本和内容文本送入 PolyInstruct GPT，GPT 先预测一组属性思考令牌，例如男性、高强度、喊叫，再自回归预测离散语音令牌。随后流匹配与声码器模块读入离散语音令牌，并另外读入一段参考音频以提取音色，最终重建波形。参考音频只决定听起来像谁，不决定喊还是低语。

该全景对应论文图 1 的左右两半，左侧是离线数据流水线，右侧是在线合成架构。左侧负责从原始影视数据生产指令音频对，右侧负责用这些数据训练出的模型做推理。两者通过指令音频对连接，数据多样性决定了模型表达上限。 以下导读帮助建立像素级对应，先说明左右分工再看图。

看图路径： 1. 从左侧原始视频数据出发，沿视觉流、中心声道音频、字幕三条输入追踪到语音切分与文本清洗的汇合点；2. 观察右侧 PolyInstruct GPT 下方指令文本、说话人编号、内容文本、思考令牌、语音令牌五类输入如何同时进入同一绿色大模块；3. 对比上方预测出的思考令牌与离散语音令牌分别流向流匹配与声码器的路径，确认音色只在上部声学阶段由参考音频注入；4. 注意虚线标出的消融分支，区分默认无外部文本编码器与可选 FlanT5 等编码器的连接位置

论文图 1。原论文 Figure 1：“Overview of our proposed Poly-InstructTTS system.”。

该图左半显示原始视频数据分出视觉流、中心声道音频和字幕 3 路，经过视频切分、音频增强、语音识别加说话人分离加副语言标注、文本修正过滤后，语音话语与文本转录共同进入多模态指令生成，最终产出指令数据集。右半显示底部指令文本经预训练文本编码器、说话人编号、内容文本、思考令牌、语音令牌进入中间绿色大模块，上方输出预测思考令牌与预测离散语音令牌，再经参考音频条件下的流匹配与声码器得到波形。图中虚线标出可选外部编码器消融分支，默认不使用。性别、情绪强度、风格、口音 4 个特殊符号画在底部，说明思考令牌的紧凑集合。

无提示音频 GPT × 流匹配声学模块： 无提示音频 GPT 分工是把指令文本和内容文本翻译为离散语音令牌和韵律，流匹配声学模块分工是根据参考音频注入音色并生成梅尔频谱图。搭配理由是若把参考音频同时喂给 GPT，参考的韵律会与指令要求的风格冲突造成风格泄漏，组合意义是语义与风格走 GPT、音色只在声学阶段加入，实现解耦控制。

数据流水线如何得到干净单人话语？

数据来源是影视剧视听媒体，原始规模约 2500 小时，最终得到 1000 小时、超过 1,100,000 条话语。论文报告覆盖 200 多种口音、800 多种细粒度情绪和 400 多种风格变体，指令与音频匹配率经人工评价超过 95%。由于商业影视版权限制，原始数据不能公开发布，但论文开源大语言模型提示词以便在自有语料上复现。

处理动作用级联方式完成。先按字幕时间戳的长静音和语音活动检测工具把视频切为几分钟片段。为去除配乐和背景音乐，从 MKV 文件中提取中心声道并依次用 Demucs 和 ClearerVoice 去噪。然后调用 ElevenLabs 语音转文本服务，同时做自动语音识别、说话人分离和副语言标注，得到单说话人句子级转录与细粒度副语言标签，例如呼吸、耳语、笑声标签会直接保留在文本中。为保证文本准确，用基于规则的模糊匹配比较识别结果与字幕，词错误率低的用权威字幕替换，词错误率高的作为背景语音误识别丢弃。

属性思考令牌 × 自由文本思考链： 属性思考令牌分工是用性别、情绪强度、风格、口音等紧凑特殊符号给声学生成提供先验，自由文本思考链分工是用大语言模型生成的长句解释推理过程。搭配理由是预测长而发散的思考文本会增加优化负担并干扰预训练获得的内容理解，组合意义是只预测少量属性符号来桥接指令与语音令牌，把细粒度韵律实现留给 GPT 本身。

这一步的教学要点是：切分保证单人，中心声道加去噪保证干净，副语言标注保证极端表达不被洗掉，字幕校准保证内容文本可训练。若跳过副语言标注，耳语和笑声会被当成噪声去掉，模型就学不到论文强调的那些行为。

多模态指令生成为何需要看视频？

在得到文本音频对后，论文用 Gemini 2.5 Pro 多模态大语言模型分 3 阶段生成指令。第一阶段内容总结把降采样到 720p 的视频与音频结合，提取叙事结构、人物关系和全局背景。第二阶段转录分析在全局总结指导下，结合句子级转录与视频片段，为每句标注性别、口音、情绪和说话风格等多维属性。第 3 阶段指令生成基于全局上下文与片段属性，为每条话语生成生动多样的自然语言指令。全部阶段的提示词放在项目演示页。

多模态输入的关键理由是仅听音频难以捕捉微妙情绪，而结合画面能判断讽刺、恐惧或玩笑的语境。例如同样一句台词，在惊悚画面下是恐惧尖叫，在喜剧画面下可能是夸张玩笑。论文因此强调视频对细粒度情绪标注的必要性。

模型侧的序列化格式为指令、文本、思考令牌、语音令牌依次排列。论文给出的例子是尖叫加缓慢拖长加恐惧恳求对应男性、高、喊叫 3 个符号。思考令牌集合包括性别、情绪强度、风格和口音，风格和口音只保留训练语料中出现 200 次以上的顶层标签，其他如音高和具体情绪不放入思考令牌，仍由 GPT 从指令直接实现韵律。性别符号的实用作用是减少音高与音色不匹配，例如在低音色参考上生成高音高韵律时的不稳定，从而提升稳定性和说话人相似度。

模型如何预训练、后训练与微调到指定人？

GPT 主干用 Qwen2.5-0.5B-Instruct 初始化，语音令牌用 CosyVoice2 的 25 Hz 语音分词器提取。在 8 块 NVIDIA A800 上训练 30 轮，用 AdamW 优化器，学习率 1e-4，每批时长 300 秒。推理时流匹配与声码器与 CosyVoice3 一致，参考音频从 LibriTTS 中随机选择。在单块 RTX 4090 上实时率约 0.06。

训练分 2 个阶段。预训练在大规模 Emilia 和 MLS 语料上获得基础合成能力。后训练在自建 1000 小时指令数据上进行，语料随机分为 99% 训练和 1% 验证。后续指令微调任务额外收集 10 个不同说话人的 200 小时语音。

指令条件说话人微调的具体操作是训练格式与基座阶段相同，但在内容文本前加说话人编号。影视数据用未知标签，微调数据用具体编号如 spk 01。推理时只需以目标说话人编号为条件，GPT 就能把学到的指令可控性与微调说话人特征融合。流匹配阶段仍用同一音色参考做音色注入，以保持人物感。

说话人标识微调 × 零样本音色注入： 说话人标识微调分工是在内容文本前加特定说话人编号让 GPT 学到该人的指令到风格映射，零样本音色注入分工是只在流匹配阶段用任意参考音频复制音色而不改变 GPT。搭配理由是实际应用需要固定人物保持本人感又能听指令，组合意义是微调把影视数据的表达方差迁移到目标人，同时保留其固有人格特征。

需要指出的缺项是论文未报告梯度是否截断到流匹配、外部编码器冻结细节之外的层级更新范围，以及思考令牌损失权重。复现时应先按论文默认的无外部编码器配置跑通，再尝试消融中的编码器分支。

评测条件：测什么、与谁比、用什么指标？

主评测基于 InstructTTSEval 基准，但原基准缺少多样口音、微妙与极端情绪、非主流风格。论文新增 200 条同格式样本作为扩展测试集，维度对比包括口音从美英标准扩展到印度和西班牙裔等口音方言，情绪从常见强度扩展到尖叫讽刺等极端变体与厌倦释然等低强度，风格从广播叙事戏剧扩展到机器人冥想和 ASMR，流利度从朗读扩展到犹豫填充词和口吃，声学从干净扩展到电话和混响等野外条件。扩展集与音频演示放在项目页，项目页当前可用，状态码 200。

客观指标包括用词错误率衡量系统稳定性，数值越低越好，以及 InstructTTSEval 定义的声学参数指定、描述性风格指令、角色扮演三项跟随能力，数值越高越好。主观评价由 20 名母语听众打 5 分制平均意见分，包括指令跟随准确率和语音自然度稳定性。论文指出大语言模型客观评价难以可靠评估微妙副语言和极端情绪，因此必须做人工评价。所有平均意见分的 95% 置信区间不超过正负 0.10。

比较对象包括闭源接口如 Gemini-Pro、Gemini-Flash、GPT-4o-mini 语音合成，开源模型如 Qwen3-TTS、OV-InstructTTS、Mimo-Audio、VoxInstruct、Parler-TTS、PromptTTS、PromptStyle，以及论文自身的去思考令牌与加外部编码器消融。训练与推理条件按原文交代，参考音频随机选自 LibriTTS，保证音色注入条件一致。

主结果：在两套测试集上谁跟随最好、代价是什么？

要回答的核心比较问题是：在相同指令跟随任务下，Poly-InstructTTS 是否在保持可懂度的同时提升风格与角色扮演能力。公平条件是所有系统都接受相同格式的指令与内容文本，参考音频随机选择，指标方向为词错误率越低越好，其余跟随与主观分越高越好。

该表整理基础测试集上的可运行策略对比，数值保留原文精度。表前已说明比较问题与指标方向，此处解释收益与代价。论文报告 Poly-InstructTTS 在基础集上声学参数指定 91.1、角色扮演 88.7，在扩展集上声学参数指定 77.1、描述风格 84.5、角色扮演 90.1，主观指令跟随在基础集居首、在扩展集居第二。最大增益在角色扮演，论文将其归因于野外训练数据与思考令牌设计。代价是词错误率（%）4.42，高于 Qwen3 的 2.09 和 Gemini-Flash 的 2.75，论文解释为挑战性声学动态与标签噪声所致，而非干净语料可比。主观评语显示系统能处理多样风格与细粒度情绪，但在噪声混响等挑战声学下较弱，且该弱点更 related 到流匹配而非 GPT 指令通路。

指令跟随准确率 × 语音自然度稳定性： 指令跟随准确率分工是衡量生成语音是否符合描述中的情绪风格角色要求，语音自然度稳定性分工是衡量发音是否流畅无错词无断裂。搭配理由是极端情绪和副语言会拉高表现力但破坏文本与语音令牌的单调对齐，组合意义是必须同时看两类指标才能判断稳定性与表现力权衡是否可接受。

未胜出项必须正视：描述风格指令上 Gemini-Flash 基础集 93.8 明显高于 Poly 的 79.2，扩展集 Qwen3 达 92.5 亦高于 Poly 的 84.5。说明在主流描述风格的客观评价上，闭源与大规模开源基线仍有优势，Poly 的优势集中在角色扮演与主观跟随。

扩展集与主观评价是否支持野外表达上限？

第二个比较问题是扩展到野外口音、极端情绪和非流利现象后，客观与主观是否一致。公平条件是扩展集 200 条与基础集同格式，同一批听众打分，主客观分别报告。

论文报告扩展集上 Poly 主观指令跟随 3.96、自然度 3.36，基础集上主观指令跟随 3.81、自然度 3.88。客观上扩展集角色扮演 90.1 保持高位，但声学参数指定从 91.1 降到 77.1，说明口音与野外声学增加了参数级控制难度。Qwen3 在扩展集主观指令跟随 4.12、自然度 4.24，反超 Poly，提示在多样口音与长尾风格下，大规模基线的稳定性仍强。

支持的判断是野外数据确实抬高了极端表达上限，角色扮演与主观跟随领先。限制是自然度在扩展集偏低，且客观描述风格未领先。相关性不等于因果，不能把高角色扮演直接归因于某一模块，需结合消融看思考令牌的增量。未评测边界包括电话与混响下的可懂度分解、误判率与延迟成本，论文未测量这些量，不应承诺改善。

拿掉思考令牌或加上外部编码器会怎样？

消融要验证的核心是紧凑属性符号是否必要，以及是否需要冻结外部指令编码器。比较条件是同一训练数据与同一 GPT 主干，只改变思考令牌有无或在 GPT 输入侧拼接冻结编码器表示。指标方向与主结果相同。

该表基于原文消融行整理，数值保留 2 位小数与 1 位小数原精度。表后解释是去掉思考令牌后主客观普遍下降，基础主观跟随从 3.81 降到 3.63，扩展主观跟随从 3.96 降到 3.58，支持思考令牌提供对齐先验的判断。加上 FlanT5、Instructor、GTR 3 类冻结编码器后，扩展角色扮演个别更高，例如 GTR 达 95.0，但主观跟随反而更低，且词错误率更高。论文据此认为直接把原始指令文本喂给 GPT 已足够，额外编码器在该训练配置下无正向增益。

失败条件还包括后训练轮数增加时声学参数指定与角色扮演持续提升而词错误率上升，论文假设极端情绪与副语言削弱了文本与语音令牌的单调对齐。这是一个稳定性与表现力权衡的直接证据，复现时应监控轮数与词错误率曲线，不应只看跟随分。

哪些弱点与权衡已被报告、哪些还待验证？

论文直接报告的弱点有三点。第一是挑战声学条件下表现弱，例如噪声与混响，论文明确说更 related 到流匹配而非 GPT 指令通路，可能的待验证解释是声学模块未充分覆盖野外混响。第二是稳定性与表现力权衡，随训练轮数增加跟随分上升而词错误率上升，假设是极端表达破坏单调对齐，但未给出对齐可视化或强制对齐错误率分解，属于有限解释。第三是描述风格客观分未全面领先，说明在标准广播叙事类风格上仍有差距。

未验证推测需用可能表达。思考令牌通过性别符号减少音高音色不匹配的机制是合理解释，但论文未报告分性别或分音高的细分组结果。外部编码器无效的结论限于冻结表示加虚线拼接的实现，不代表所有文本编码器融合方式都无效。说话人微调后自然度提升可能反映微调语料质量更高，而非微调方法本身必然提升自然度。

缺失证据不是技术错误，但复现与选型时要补验证：若要在电话与混响场景部署，需单独测流匹配增强；若要压低词错误率，需在验证集上早停或加对齐约束；若关心延迟与成本，论文只报告实时率约 0.06，未报告首包延迟与显存占用，不能承诺实时交互体验。

复现先做什么：数据、配置与核对点？

复现应先做数据流水线而非直接调模型。按论文顺序准备影视素材的合法来源，仅用于非商业学术研究。实现视频按字幕静音切分，提取中心声道并依次跑 Demucs 与 ClearerVoice，调用带说话人分离与副语言标注的语音识别得到句子级转录，再用规则模糊匹配对字幕，低词错误率用字幕替换、高词错误率丢弃。随后用多模态大语言模型按内容总结、转录分析、指令生成 3 阶段标注，提示词参考演示页。核对点是指令音频匹配率是否接近 95%，口音与情绪种类是否达到数百量级，副语言标签是否保留。

模型侧核对点包括用 Qwen2.5-0.5B-Instruct 初始化、CosyVoice2 的 25 Hz 分词器、AdamW 学习率 1e-4、8 卡 A800 训练 30 轮、每批时长 300 秒。思考令牌只保留出现 200 次以上的风格与口音顶层标签，加上性别与情绪强度，共 4 类特殊符号。推理时流匹配与声码器与 CosyVoice3 一致，参考音频从 LibriTTS 随机选，单卡 RTX 4090 实时率约 0.06。

该表整理 10 个微调说话人上的主观对比，数值保留均值与置信区间原写法。表后解释是微调方法人格一致与自然度更高，但指令跟随低于基座直接注入。论文的判断是微调学到说话人特定的指令到合适风格范围映射，虽牺牲一点跟随但更可取，且自然度提升可能得益于微调语料质量与一致性。复现时应固定同一音色参考比较两种方式，并同时报告三项主观分，避免只看跟随分做选择。

何时值得尝试这个方案、还需补哪项验证？

当任务需要开放词汇的细粒度情绪、风格与副语言，且已有影视或对话类野外语料可用时，该方案值得尝试。其可复用动作是架构解耦加紧凑属性符号：GPT 只看指令与内容，音色只在声学阶段注入，思考令牌只做少量属性先验。当任务只是标准朗读或主流广播风格，且要求最低词错误率时，大规模基线或闭源接口可能更稳，不必引入极端表达数据。

动手顺序建议为先复现数据 3 阶段标注与清洗，再跑通无外部编码器的默认 GPT 加流匹配基线并在基础与扩展两套集上同时看客观与主观，最后再做指定人微调。关键超参数与信息条件是分词器帧率、学习率、训练轮数、思考令牌阈值、参考音频来源，这些决定了可比性。

还需补的验证包括混响电话下的分解评测、对齐错误分析、不同轮数的早停曲线，以及推理显存与首包延迟测量。论文已开源扩展测试集与演示，原始影视数据因版权不能公开，需在自有语料上按公开提示词重建。未来工作指向平衡表现力与稳定性、增强流匹配对复杂条件的鲁棒性，以及去掉音色参考实现纯文本参考自由生成，同时保持可控性。

⚖️ 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