把语气听进去再回话：PRISM 用四智能体拆开感知、推理与合成

英文题目：PRISM: Prosody-Integrated Multi-Agent Reasoning Framework for Empathetic Spoken Dialogue

会议身份：conference:interspeech:2026:conference-paper-id:zhang26r_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：#模型融合 #检索增强 #韵律 #语音情感识别 #语音对话系统

评分：5.7/10 | 创新 1.3/2 | 技术严谨 0.9/1.5 | 实验充分 0.9/1.5 | 清晰度 0.7/1 | 影响力 1.0/1.5 | 开源 0.0/1.5 | 可复现 0.1/0.5 | 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

• Wen Zhang：机构信息未能从会议 PDF 纯文本可靠映射
• Xiaocui Yang：机构信息未能从会议 PDF 纯文本可靠映射
• Zhuoyue Gao：机构信息未能从会议 PDF 纯文本可靠映射
• Shi Feng：机构信息未能从会议 PDF 纯文本可靠映射
• Daling Wang：机构信息未能从会议 PDF 纯文本可靠映射
• Yifei Zhang：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

共情口语对话以用户语音为输入，需同时输出语义得体且韵律对齐的语音回复，难点在于级联转写会丢弃情感韵律线索而端到端模型缺乏可解释情感控制与灵活知识更新。PRISM以四智能体流水线组织推理：感知器先用Whisper转写并用emotion2vec与VAD提取情绪标签、置信度及停顿等副语言状态，形成结构化韵律表示。管理者接着将数值韵律映射为可读自然语言描述以供大模型推理，并负责对话流控与后验校验，其输出连同上下文需求进入响应者。响应者按需调用COMET-BART等常识工具生成带目标情感强度的文本，再交由发声器经两阶段规则映射与自适应精调计算合成韵律参数并由StyleTTS2合成表达性语音。相比已有级联与端到端方案，关键差异在于用可读韵律描述替代隐式声学特征并把知识调用内化为统一生成决策，从而支持免重训更换知识源与可控语音生成。在AvaMERG音频子集上PRISM超过Qwen2.5-Omni-7B等8个基线，ROUGE-L达到0.1872且人类评测在共情与韵律恰当性占优。该结论仅在单数据集英文共情对话及短轮次设置下验证，未检验跨语言、强噪声与长程情绪演化下的外推能力。原文未披露训练、推理或部署成本与延迟。

🔗 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，输出是什么，哪些信息不能丢？

这篇论文研究的输入是一段用户语音，输出是一段有共情的语音回应，外加中间的文本回应、目标情绪和表达强度。所谓刚入门时容易忽略的关键点是，语音里除了文字，还有说话快慢、停顿占比、能量大小、口头填充词多少，以及整体情绪类别和置信度。论文把这些统称为副语言属性。如果只把语音转成文字再回文字，语速快慢和迟疑、愤怒或难过都会被抹掉，系统可能回一句语义正确但语气冷淡的话。

因此学习时要先建立一个检查习惯：看到任何共情对话系统，先问它的输入是否保留了声学线索，它的输出是否同时约束了文本情绪和语音表达。PRISM 的回答是把感知、管理和回应、发声拆开，让声学线索先变成结构化状态，再变成自然语言描述，最后同时控制文本策略和合成参数。复述时要能说出这条链：波形到转录加副语言属性，到韵律描述加对话历史，到回应文本加目标情绪强度，到可听波形。

韵律 × 共情对话： 韵律指语速、停顿、能量、迟疑等声音层面的表达方式，负责传递情绪强度和态度；共情对话指在语义合适之外还要情绪对齐的回应任务，负责选择安慰、共鸣或鼓励策略。PRISM 把二者搭配的原因是文本转写会丢掉前者而只留文字，导致后者只能做表面安慰，组合后韵律成为回应策略的条件信号，让文本回应和语音表达都向同一情绪意图对齐。

本解读只讲论文实际做的语音共情任务，不扩展到音乐或通用问答。后面先沿一个样本走完输入到输出，再展开每个组件的计算、训练与评测条件。文中代码与数据可用性以本次收到的资源状态为准，本次未发现完成验证的公开资源，因此不声称代码、模型或数据已公开。

级联与端到端各解决了什么，又各留下了什么？

相关路线按同输入同目标来对照最清楚。第一条是语音识别加文本对话再加语音合成的级联。它的好处是每段都成熟，换识别或换合成都方便。问题是转写一旦完成，韵律和表达力信息就不可逆丢失，而且情绪意图与合成之间缺少一致性约束，共情往往只停在文本层。第二条是近年出现的端到端语音模型，直接学从语音到语音或多模态输出的映射。

它的好处是表示能力强、生成自然。但论文指出，这类模型常把韵律和情绪当隐式特征，缺少可解释中间表示，而且往往依赖大规模联合训练，要加入新知识或新情绪策略就不灵活。

第三条是文本侧的知识增强与工具调用。检索增强能提升事实性和上下文适应性，大语言模型可以通过工具调用动态获取外部信息而不必重新训练。但此前工作多在纯文本下做，共情语音对话需要跨模态同时处理韵律感知、情绪推理、知识增强和语音生成，严格串行的流水线容易累积误差。PRISM 的定位是工具调用式多智能体：用结构化中间表示让情绪意图和上下文知识从感知传到生成，并支持反馈驱动的协调与按需工具使用。

级联系统 × 端到端语音模型： 级联系统指语音识别转文本再由大语言模型回文本最后语音合成的 3 段流水线，分工是各段成熟可替换；端到端语音模型指直接从语音到语音或多模态输出的联合建模，分工是用统一表示保留声学细节。PRISM 同时借鉴两者：保留级联的可拆分可替换以便灵活换知识源，又用结构化副语言属性和韵律描述避免严格串行导致的信息不可逆丢失，再加校验与自适应合成补上端到端才有的语音层共情。

记住这个对照口径：比较级联与端到端时，不能只比文本指标，还要看是否评了语音层韵律合适度和音文对齐；比较知识增强时，要看知识是训练时写死还是推理时按需调用且可插拔替换。

论文把难题拆成了哪几个可操作的子问题？

论文把共情语音对话拆成 4 个子问题。第一是如何在不丢信息的前提下感知用户状态，需要同时得到文字和可用于下游的副语言结构。第二是如何让大语言模型稳定地基于韵律推理，而不是直接读原始数值。第三是如何在需要时才引入外部常识，避免每次都检索或完全不用。第四是如何让合成语音的韵律与文本情绪意图一致，而不是各说各话。

举一个教学用的例子，不是论文原数据：假设用户说得很快、停顿少、能量起伏大且带怒意。理想系统应先记下转录文字，再记下快、少停顿、高能量、怒意标签，然后生成类似说话人语速较快且带怒意的描述，再据此选择先承接情绪后安抚的策略，并定一个偏强的表达强度，最后合成出有力但不刺耳的语音。这个例子只用于理解链路，不代表论文数值。

论文的解决对应关系是：感知器管第一个问题，管理者管第二个问题外加生成后校验，回应器管第三和文本策略问题，发声器管第 4 个问题。理解了这个分工，再看方法全景就不会迷路。

四智能体如何分工并连成一条可复述的主链？

PRISM 由感知器、管理者、回应器和发声器组成。感知器吃原始波形，吐出转录文本与副语言属性集合。管理者吃副语言属性，先做韵律转语言得到自然语言韵律描述，同时对回应器的草稿做回应级校验。回应器吃当前转录、韵律描述和对话历史，按需检索知识后生成回应文本、目标情绪类别和表达强度。发声器吃目标情绪、表达强度和用户副语言属性，算出合成参数并做文本侧韵律整形，最后经合成器输出波形。

沿一个样本走一遍：输入一段语音，先经识别得到文字，经情绪识别得到情绪标签与置信度，经语音活动检测与能量统计得到语速、停顿比、能量均值方差，经填充词计数得到迟疑度，再算出表达确定度。这些一起构成结构化状态。管理者把数值映射为文本标签再拼成连贯描述。回应器读描述决定是否检索常识并定回应策略与目标情绪强度。发声器先按目标定基准参数，再按用户状态自适应微调并调整停顿与标点，最后合成。

以下导读帮你读懂总览图的主路径与分支汇合，先看整体再看细节。图前导读已说明四栏从左到右的流向，以及校验回路与知识注入的位置，读图时重点跟箭头而不是只看图标。

看图路径： 1. 先从左到右沿语音输入到副语言属性再到韵律描述最后到波形的四栏主路径走一遍；2. 再看管理者栏中规则映射到少样本提示的上下两步如何产出自然语言韵律描述；3. 接着看回应者栏中知识检索如何从下方注入大语言模型并产出草稿与终稿；4. 最后看发声器栏中两阶段参数计算与文本侧韵律如何共同进入合成器

论文图 1。原论文 Figure 1：“Overview of the PRISM Framework.”。

这张总览图显示了从左到右的四栏结构。最左感知器同时走出两条线，一条经识别得到文本，一条得到 4 类副语言属性，包括情感线索、时间动态、声学强度和迟疑。中间管理者分为上下两块，上块是规则映射到文本标签再到少样本提示生成韵律描述，下块是对情绪类别、表达强度与交互策略的校验。回应器中间是大语言模型，下方挂知识检索，产出草稿与终稿 2 级回应。最右发声器分为 2 阶段参数计算与文本侧韵律三项操作，最后进入合成器输出波形。

灰色长箭头表示转录与副语言状态向下游的直连，细回路表示校验给回应器的修正建议。理解这张图就等于记住了可复述的方法骨架。

感知器与管理者：数值如何变成可读的韵律描述？

感知器输出结构化状态，包含转录与副语言属性。转录用识别模型完成。情绪用自监督语音情绪识别器完成，输出情绪标签与最高类概率作为置信度，标签集合包括怒、厌恶、恐惧、高兴、中性、其他、难过、惊讶等。时间行为通过重采样到 16 千赫再用语音活动检测估计语音与静音时长，停顿比为静音占总时长比例，语速为转录词数除以语音时长。声学强度用帧级均方根能量在整句上取均值与标准差。

迟疑用填充词数除以词数得到填充率，并基于语速、停顿与填充率的归一化组合算出确定度。归一化用截断到区间实现，确定度是三项的加权组合。

管理者的第一职责是韵律转语言。给定感知器的结构化属性，先经基于规则的阈值把数值属性映射为描述性文本标签，得到稳定可解释的中间表示，再在大语言模型下用少样本提示生成连贯自然的韵律描述。提示模板包含精心设计的例子，说明情绪强度、节奏、停顿、能量与确定度如何共同构成自然韵律表达。这样回应器读到的是接近人类理解的表达状态，而不是低层数值。

韵律转语言 × 大语言模型推理： 韵律转语言指先把数值和类别韵律线索经规则阈值变成文本标签，再用少样本提示生成连贯自然语言描述，分工是把难直接理解的数字变成可读中间表示；大语言模型推理指基于转录、韵律描述和历史决定知识调用与回应策略，分工是做常识与情感判断。搭配理由是大语言模型处理语言稳定而处理原始声学数值不稳定，组合后回应器不再直面低层声学特征，而是读人可理解的韵律描述再决策。

管理者的第二职责是回应级校验。这是一个轻量对齐检查模块，对回应器的输出做事后验证，看回应在情绪类别、表达强度与交互策略上是否与用户韵律描述对齐，发现不一致时给出最小修改建议引导回应器精修。复述时要强调这是生成后检查而非生成前约束，它不直接写回应，只管一致性。

回应器与发声器：何时找知识，如何定语音参数？

回应器负责对话级最终共情回应并在必要时纳入外部知识。与把工具调用与文本生成分成 2 阶段的级联不同，这里用统一语言模型同时处理知识使用决策与共情回应生成，以减少跨模块误差传递。具体输入是当前转录、管理者生成的语言韵律描述和对话历史。模型先隐式判断是否需要外部知识支持，当判断常识或上下文扩充会让回应更合适时，经外部工具检索多维常识信息并以文本形式注入生成上下文。这种设计允许通过替换或更新知识接口来扩展知识，而不必重训模型参数。

生成时把韵律描述作为显式条件信号动态调整回应策略与情绪表达。原文举例：当韵律描述显示用户迟疑或低情绪效价，模型倾向生成更安抚支持的回应；在高唤醒情绪场景则相应放大情绪共鸣。除回应文本，回应器还预测目标情绪类别与表达强度，为后续自适应语音合成提供控制信号。

知识调用 × 回应生成： 知识调用指按需经外部工具检索多维常识并以文本形式注入上下文，分工是补足背景与共情素材；回应生成指输出回应文本、目标情绪类别和表达强度，分工是定语义与定语音控制信号。PRISM 用统一语言模型把二者合在一起隐式判断是否需要知识，而不是分成两个阶段先后执行，理由是减少跨模块误差传递，组合后知识是否使用、用什么知识、如何表达由同一上下文 1 次决定。

发声器把文本回应转成与情绪上下文镜像的表达性语音，采用支持参考音色克隆与细粒度韵律操控的扩散合成器。韵律参数计算是 2 阶段控制，动态决定音色相似度、韵律强度、扩散精修步数与表达缩放因子。第一阶段按目标情绪与表达强度初始化基准值，强度主要影响韵律强度与合成保真度，强度越高韵律变化越强且精修步数越多，强度越低则越平坦中性，情绪类别控制表达缩放因子以实现不同情感风格。

第二阶段用用户副语言属性自适应精修，用户低确定度或频繁停顿时降低韵律强度并衰减表达缩放以更温和，检测到强烈负情绪时提高韵律强度以匹配所需共情表达，最后截断到有效范围保证稳定。

表达强度 × 语音合成控制： 表达强度指回应器预测的目标情绪强烈程度，分工是定合成要用多强的韵律变化和精修步数；语音合成控制指由目标情绪、表达强度和用户副语言属性算出音色相似度、韵律强度、扩散精修步数和表达缩放因子并做文本侧停顿与标点 shaping，分工是把意图落成可听波形。搭配理由是只看目标情绪会忽略用户当前状态，组合后先按目标初始化再按用户迟疑或强烈负情绪自适应增减，形成双向对齐的温和或有力送达。

文本侧韵律整形与后处理进一步对齐节奏。对频繁停顿的用户在标点后插入短停顿标记以形成更耐心节奏，对高度正向目标情绪调整标点增强表达，对难过或安抚回应抑制过多感叹以保持平静。最后可选地经时间拉伸与幅度缩放微调语速与输出能量，实现合成语音与用户对话节奏的细粒度对齐。

只微调了谁，冻结了谁，真实计算流程是什么？

训练安排是理解复现成本的关键。原文明确在所有模块中只有回应器被微调，用问答与工具增强对话数据在图形处理器上经高效微调框架训练，底座分别用两个指令模型实现。管理者用商用大语言模型接口承担，不做参数更新。感知器中的识别与情绪识别、外部常识生成模型与合成器都是直接调用既有模型或工具，不在本文训练。基线则按各自原文或官方实现推荐的超参数在评测集的训练集上微调。

这意味着梯度路径只存在于回应器的文本生成与知识使用联合建模，监督来源是工具增强对话数据中的上下文、是否调用知识的标注与共情回应。感知与合成的数值计算没有梯度，只是规则与信号处理。论文未报告学习率、轮数、批量等完整超参数细节，也未报告训练时长与显存占用曲线，因此复现时要把缺项记为缺项，不能从模型名字推定实现。推理时流程是确定性串联加条件分支：感知必走，管理必做描述，回应器按需触发检索，发声器必做 2 阶段参数与文本整形。没有证据表明系统输出是确定性求解，采样与接口温度等未报告，复现应固定随机种子并记录接口版本。

在什么数据与基线上测，用了哪些指标与评审？

数据方面用工具增强的共情对话扩展集做回应器训练，该扩展基于经典共情对话集并标注每轮是否应调用外部知识。评测用多模态共情对话集的标准音频子集划分，该集合在文本对话基础上扩展了语音与表情标注。训练与评测分工要分清：前者教回应器何时用知识与如何共情表达，后者在语音输入下测整系统。原文未给出更细的划分数量与采样细节，复述时不编造。

基线覆盖级联与端到端两类，包括识别加大语言模型级联、端到端语音对话系统、双编码器听觉大模型的大小版本、情绪感知语音对话系统、多模态统一对话模型、语音使能对话模型与开源语音到语音共情大模型。比较条件是各基线在评测集训练集上按推荐设置微调，PRISM 只有回应器微调后在测试集上比。实现上管理者用商用模型接口，知识用基于常识生成模型，合成用扩散合成器。

指标分 4 类：词重叠、语义相似、内容重叠与词汇多样性，分别对应机器翻译常用指标、基于预训练的语义分、摘要重叠包与对话多样性目标。方向都是越高越好，但各自测的不是一回事，不能把多样性当质量，也不能把自动指标当人评。人工评招募 3 名专攻共情对话的研究者，随机抽 100 条对话独立打分，从文本质量与语音质量两方面覆盖共情、信息量、流畅、一致、韵律合适度与音文对齐 6 维，用五点量表并用组内相关系数度量一致性，报告平均分显示高度一致。大模型评测用商用大模型做成对比较，主要从共情、流畅与一致三方面比胜负，平局不显示。

主结果测了什么，谁在什么条件下赢了多少？

主结果要回答的是在同一音频测试集上，完整 PRISM 的文本回应质量是否同时在重叠、语义与多样性上占优。比较问题是完整系统相对级联与各端到端基线是否有稳定增益，公平条件是基线已按推荐设置在训练集上微调，指标方向均为越高越好。下表把原文报告的自动指标按条件整理，数值保留原文写法与精度，不做四舍五入与单位改写。

表后解释要同时说收益与代价。两个底座的本方法在几乎所有自动指标上高于全部基线，尤其在内容重叠与词重叠上提升幅度大，报告显示生成质量与内容相关性占优。语义相似上领先幅度相对小，词汇多样性上语音使能基线在首项曾更高，说明本方法不是每格都最大。未胜出项要记下：若只看多样性首项，个别基线并不落后，自动指标也不能证明语音层一定更好，语音层结论要靠人工与大模型评测。原文未报告显著性检验与延迟成本，因此不承诺更快更便宜。

以下导读帮你读人工评测雷达图，重点是 6 维是否全面包围基线，而不只看单轴高低。该图比较了本方法与两个先进语音模型的 6 维人工分，读时先对轴名再看包络。

看图路径： 1. 先确认六个轴分别为共情、信息量、流畅、一致、韵律合适度与音文对齐；2. 再比较红色本方法多边形在共情与一致轴上相对蓝色与绿色基线的外扩幅度；3. 最后观察韵律合适度轴上三条线的相对位置以判断语音层优势是否同样明显

论文图 3。原论文 Figure 2：“Human evaluation results.”。

这张雷达图有 6 个轴，顺时针为共情、信息量、流畅、一致、韵律合适度与音文对齐。红色本方法多边形在共情、信息量、流畅与一致上相对蓝色与绿色基线向外扩张，其中共情与一致的外扩更明显。韵律合适度上绿色基线一度与红色接近甚至略占优，音文对齐上三者接近，说明语音层优势不是全面碾压而是总体相当或更优。结合原文人工一致性系数较高的说明，该图支持文本质量与语音对齐的综合占优，但也提示若只盯韵律单轴不能得出处处最强的结论。

拿掉知识调度与韵律描述后，性能如何变化？

消融要回答两个关键部件是否各自有效。比较问题是自主按需调用知识是否优于每次都调用、完全不用，以及去掉韵律描述是否损害生成。公平条件是都基于同一底座并保持其他模块不变，指标方向仍是越高越好。下表整理 3 种消融的自动指标，数值保留原文精度。

表后解释是 3 种变体相对完整方法都出现退化，从而支持所提方法的有效性。每次都用知识并不比按需调用好，说明无差别检索会引入噪声；完全不用则少了常识扩充；去掉韵律描述后内容重叠下降明显，说明稳定推理依赖该中间表示。反例也要说：去掉韵律描述的词重叠首项并不总是最低，说明单指标波动存在，不能把消融理解为每个数字都单调下降。大模型成对比较同样显示完整方法对两种消融都有更高胜率，细节见下图。

以下导读帮你读大模型成对比较条形图，注意只显示胜负且不含平局，左右长度不能直接相加为 100%。该图纵列 5 个对比，横轴左右分别为败率与胜率，读时先看零线再比橙蓝长度。

看图路径： 1. 先确认纵轴五行为与两强基线及三种消融的对比，横轴为胜负百分比且中线为零点；2. 再比较右侧橙色胜率条在去掉韵律描述时是否最长以判断该模块贡献；3. 最后比较左侧蓝色败率条在与强基线对比时是否明显短于右侧胜率条

论文图 2。原论文 Figure 3：“LLM-based evaluation results. Only wins and losses are shown; ties are omitted.”。

这张条形图纵轴从上到下为与开源语音到语音基线、与语音使能基线、与每次都用知识、与完全不用知识、与去掉韵律描述的对比。横轴以零为界，左侧蓝色为败率，右侧橙色为胜率。可见完整方法在 5 个对比中右侧橙条都长于左侧蓝条，其中与去掉韵律描述和完全不用知识的对比胜率更高，约为 60% 以上，而与强基线的对比胜率约为 50% 左右且仍有 30% 左右败率。图注明确只显示胜负而省略平局，因此不能把右侧长度理解为绝对准确率，只能说在非平局样本中胜多败少，且消融对比的优势大于与强基线的优势。

哪些结论有边界，哪些量根本没测？

先说论文直接报告的边界。人工评只抽 100 条且由 3 名专业标注者打分，一致性较高，但样本量与标注者背景限制了推广到真实情绪支持场景的强度。大模型评测只从共情、流畅与一致三方面做成对比较，且省略平局，胜率不能等同于绝对质量分。自动指标中语义与多样性的领先幅度小于重叠类指标，且个别基线在多样性单项上并不落后，说明总体趋势不等于每组每步都成立。

再说未验证的推测。论文未测量误判率、端到端延迟、实时率与推理成本，也未报告训练资源与合成稳定性在长对话下的表现，因此不能承诺这些量得到改善。知识源可插拔替换的说法是架构层面的可能，原文只用一个常识生成模型实现，未验证换源后一定保持增益。语音参数的 2 阶段调整与文本整形规则是启发式的，阈值与缩放选择未做敏感性分析，换语种或换合成器后是否仍合适待验证。缺失证据不是技术错误，但复述时要用报告显示表达已证部分，用可能待验证表达未测部分，不把相关性说成因果。

要复现先做什么，需要哪些信息条件？

复现先做最小可跑链，而不是 1 次复刻全部。第一步准备评测侧音频子集划分与对话历史格式，确保转录、副语言属性与历史能对齐到同一轮。第二步跑通感知：用既有识别得到文字，用既有情绪识别得到标签与置信度，用语音活动检测与能量统计得到语速、停顿比与能量，再按原文归一化与加权算出确定度并保存结构化状态。第三步实现管理者的两步韵律转语言，先做规则阈值映射为文本标签，再用少样本提示生成描述，并保留提示例子与接口版本。

第四步只微调回应器，底座二选一，训练数据用工具增强对话集，记录是否调用知识的标注如何进入上下文。第五步实现发声器的 2 阶段参数与文本整形，再接扩散合成器输出波形。

关键信息条件包括转录词数口径、语音活动检测阈值、填充词表、规则阈值、提示模板、知识接口版本、目标情绪与强度取值范围、合成参数有效范围与后处理开关。原文未给全这些超参数，复现时要逐项记录自选值并做消融。资源状态方面，本次未发现完成验证的公开资源，因此不要默认代码可下载或权重可直接运行，应先按论文文字重建流程，再补延迟、显存与人工复评。若要对比基线，必须用同一划分与同一指标实现，并保留可运行策略的原始数字，事后最优或单指标最优不能代替可部署收益。

何时值得尝试这个拆法，记住哪条主线？

当你的任务同时满足三点时值得尝试这个拆法：输入是带情绪的语音而非干净文本，输出既要文本共情又要语音表达，知识需要按需更新而不想重训大模型。这时把感知、管理、回应、发声拆开，用可读韵律描述做中间表示，用统一模型做知识决策与生成，用 2 阶段参数做合成对齐，是一条可维护的路线。若任务只是文本问答或只需自然朗读，这个拆法会引入多余复杂度，不如简单级联。

记住一条主线即可复述全文：波形先变成文字加 4 类副语言属性，再变成自然语言韵律描述，再连同历史决定是否检索知识并生成回应文本与目标情绪强度，最后经 2 阶段参数与文本整形合成波形，管理者的校验回路保证情绪与策略一致。证据强度排序是自动指标全面占优最强，人工 6 维总体占优次之，大模型成对胜率支持再次之，而延迟成本与跨语种泛化尚未验证。带着这条主线去读原文的图与表，就能把每个数字放回它所属的环节，而不是孤立背诵。

⚖️ 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