从左到右并非最优：用掩码扩散揭示语音合成的解码顺序效应

英文题目：Decoding Order Matters in Autoregressive Speech Synthesis

会议身份：conference:interspeech:2026:conference-paper-id:zhao26e_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 #主观评测 #语音 #文本到语音

评分：5.6/10 | 创新 1.2/2 | 技术严谨 1.2/1.5 | 实验充分 0.9/1.5 | 清晰度 0.7/1 | 影响力 0.8/1.5 | 开源 0.2/1.5 | 可复现 0.1/0.5 | 工程/实践 0.5/1.5

排名：前50% | 文档类型：方法研究

👥 作者与机构

• Minghui Zhao：机构信息未能从会议 PDF 纯文本可靠映射
• Anton Ragni：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

文本到语音（Text-to-Speech，TTS）需由文本生成长度为 \(T\) 的声学序列，难点在于停顿和重音依赖全局文本、协同发音耦合双向局部上下文，固定从左到右可能误设条件依赖。第一步用确定性无参标量量化把Mel谱映射为离散索引，输出透明声学单元以隔离学习型编解码器偏置。第二步以掩码扩散模型按随机掩码比例 \(t\) 与置换 \(\sigma\) 并行训练全位置条件分布，使同一解码器兼容任意顺序。第三步在推理时按指定置换逐帧单步解码，比较固定左右序与置信度自适应选位。与每种顺序训练一个因果自回归模型的传统做法相比，同一解码器支持推理时任意置换，从而把顺序选择从架构约束变为可优化变量。在LJSpeech上自适应top1的平均意见分（Mean Opinion Score，MOS）为3.91，超过从左到右（left-to-right，l2r）的3.78，次于声码参考的3.99；从右到左（right-to-left，r2l）为3.87，客观上在词错率（Word Error Rate，WER）、Mel倒谱失真（Mel-Cepstral Distortion，MCD）和UTMOSv2上优于l2r。在LJSpeech评测设置下，top1的MOS为3.91，高于l2r的MOS 3.78。该结论仅在单女声朗读语料、量化Mel加现成HiFi-GAN声码器路径下成立，未验证多说话人、噪声或长篇韵律外推，原文未披露训练优化器、网络规模与推理延迟成本。上述结论适用边界受限于单人朗读语料与量化Mel路径，尚未验证多说话人外推，原文未披露训练、推理或部署成本。

🔗 开源与复现资源

• 演示资源：https://minghuizhao39.github.io/sample-page-order/ — 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，目标是什么，这篇解读要交付什么？

本文解读的输入是会议论文正文与本次收到的官方原图像素，目标是让刚进入语音合成的研究生能够核对实验条件并复述方法。解读必须保留的关键信息包括任务定义、表示选择、训练与推理的计算过程、解码策略的执行动作、数据集与指标口径，以及主结果与反例。输出是 1 篇按学习依赖展开的中文技术说明，不做营销式判断。

语音合成在这里指给定文本或音素序列生成对应语音波形的过程。白话说，模型先决定每一时刻的频谱长什么样，再用声码器把频谱变成可听的波形。英文称为 text-to-speech synthesis，后文简称合成。传统自回归做法是把声音从左到右 1 帧 1 帧写出来，就像按时间顺序朗读。问题是语音的依赖并不只是从前到后，停顿和重读可能需要看全局文本，协同发音则同时与前后音素有关。即使文本条件是完整的，先写哪 1 帧、后写哪 1 帧，仍可能影响模型利用上下文的方式。

这篇论文把生成顺序看作建模选择。白话说，同样是把一句话的频谱写完，可以先写开头，也可以先写结尾，还可以根据模型最有把握的位置动态决定下一步。英文称为 decoding order，后文简称解码顺序。为了在同一个模型里比较多种顺序，作者使用掩码扩散框架训练一个与顺序无关的预测器，推理时再分别执行不同顺序。这种设计让顺序成为可切换的实验变量，而不是换一个模型才换一种顺序。

为避免表示学习干扰结论，作者没有使用可学习的神经音频编码器，而是直接对梅尔频谱做标量量化。白话说，梅尔频谱是按人耳感知压缩频率后的时频能量图，标量量化是把每个能量值按区间四舍五入为整数编号。英文分别为 Mel-spectrogram 和 scalar quantisation。这种做法是确定性的、无参数的，量化后的频谱仍可用现成的 HiFi-GAN 声码器转成波形。官方演示页当前可用，已公开的链接见资源状态说明，读者可以试听不同顺序的样本，但听感不能替代论文报告的受控指标。

已有路线在顺序和表示上做了什么取舍？

理解本文位置需要区分两条线，一条是生成框架，另一条是语音表示。生成框架方面，近年有工作把扩散与自回归结合，例如把连续帧组成块，块之间从左到右自回归，块内部并行预测。另有 MaskGCT 等方法优化了类似的掩码损失。本文的不同在于明确采用与顺序无关的目标，并把更新块大小固定为一，逐帧生成，从而与传统自回归直接可比。推理与文本、图像领域关于非从左到右顺序的研究也表明顺序会影响性能，这构成探索语音顺序的动机。

表示方面，主流做法是用可学习量化或聚类得到语音离散单元，例如 SoundStream、EnCodec 类编码器或自监督聚类。这类映射在特定重建或自监督目标下训练，可能给离散单元带来潜在的归纳偏置。白话说，编码器自己先决定了什么算相似的声音，后续关于顺序的结论可能只对这套单元成立。作者因此选择直接离散化梅尔频谱，用信号导出的确定性映射保持透明。图像领域的有限标量量化也被引用为先例。

同输入同目标的对照应该是同样以文本为输入、以波形或频谱为输出、在同样单说话人数据上运行的合成系统。本文用重新训练的 Grad-TTS 基线承担这一角色，而不是直接引用已发布检查点的数字，因为已发布检查点在切分输入上训练，输入长度条件不同。表示不同的系统之间不做胜负断言，框架不同的块并行系统也不作为同条件基线。这种对照口径是复述时必须保留的公平性说明。

要回答的问题是什么，如何把顺序形式化？

核心问题是解码顺序是否影响自回归语音合成的质量，以及哪类顺序更有效。形式化上，设长度为 T 的序列服从真实分布，作者用划分与排列描述任意揭示过程。链式法则对任何顺序都是精确恒等式，但当条件分布由参数模型近似时，不同顺序让模型看到不同的声学上下文，近似结果就依赖于所选顺序。

作者聚焦逐帧解码，即每步只揭示 1 帧，共 T 步。从左到右只是其中一种特例。如果为每种顺序单独训练一个模型，排列数是 T 的阶乘，计算上不可行，也无法在统一框架内比较。因此需要一个训练 1 次、推理时可执行任意顺序的模型。掩码扩散训练通过随机掩码预测可见条件下的被掩码单元，期望上每个位置被重建的机会均等，从而不偏向某种信息揭示顺序。推理时按选定顺序逐个去掩码，以已揭示帧为条件预测下 1 帧。

教学例子，仅为理解顺序概念，不代表论文数值：假设一句话对应 5 帧，从左到右的揭示序号是 1、2、3、4、5，从右到左是 5、4、3、2、1，随机顺序可能是 3、1、4、5、2。自适应顺序则是每步看模型对所有未解码位置的把握，先揭示最有把握的那 1 帧。论文实际研究的是几十到几百帧的真实语篇，不是这个小例子。

方法全景：一个样本如何从文本走完到波形？

沿一个样本走完全程有助于建立依赖关系。输入是文本或音素序列，文本编码器输出语言学表示，时长预测器估计每个单元对应多少帧，上采样后得到与目标等长的先验条件。解码器以该先验和已揭示的频谱帧为条件，逐帧生成离散化的梅尔频谱，最后由 HiFi-GAN 把频谱转成波形。训练时解码器见过各种随机掩码模式，推理时则按指定顺序逐帧补齐。

组合机制须紧接着说明两个术语各自的分工、搭配理由和新增作用。

解码顺序 × 更新块大小： 解码顺序负责决定哪 1 帧在第几步被揭示，更新块大小负责决定每一步同时揭示多少帧，二者搭配的理由是只有把块大小固定为一才能与传统逐帧自回归对齐，组合后新增的作用是把非线性和并行的影响剥离，只留下顺序本身的影响。

下图展示了随机顺序下的中间状态，是理解逐帧补齐最直接的材料。导读如下：从左向右的 4 个面板是生成过程的时间切片，不是 4 个不同句子，灰色表示仍被掩码的位置，彩色表示已生成的频谱内容，粉色箭头表示生成推进方向。

看图路径： 1. 从最左全灰掩码面板开始，沿粉色箭头向右看已着色帧如何逐个出现；2. 观察每帧下方标注的生成序号，确认揭示位置在时间轴上是跳跃的；3. 对比最右完整谱与中间稀疏谱，确认最终输出是全部帧补齐的结果

论文图 1。原论文 Figure 1：“Intermediate Mel-spectrograms shown from left to right as generation progresses in a random order.”。

该图的解释需要回到像素可见内容。最左面板全部为灰色竖条，表示生成开始时所有帧都被掩码。随后面板中出现零星彩色竖条，说明揭示位置在时间轴上是跳跃的，而不是从左端连续推进。每帧下方标注的数字表示它在生成中的序号，最右面板所有位置都被填满，即最终输出。论文在推理小节明确说明生成从全掩码开始，每步只更新由顺序指示的那 1 帧，其余位置保持不变，直到 T 帧全部被预测。这种可视化支持后文关于非线性生成路径的讨论，但它本身只是一个过程示意，不证明哪种顺序更好，好坏需要由受控实验的指标回答。

组件与计算：掩码、量化与四种解码动作如何执行？

推理的计算可以按掩码操作复述。设条件为先验，输出序列初始化为全零即全掩码。给定顺序，定义已生成掩码和当前位置掩码，前者标记顺序序号小于当前步的位置，后者标记恰好等于当前步的位置。模型对所有位置输出预测分布，从中采样得到候选更新，但只把当前位置的帧写回序列，其余保持不变。每步每个频率点独立采样，帧级生成意味着 1 次确定一整帧的所有频带取值。

量化组件的动作是共享线性量化。白话说，对每个梅尔能量值，先限定取值区间，再按区间均匀分成若干档，四舍五入为档位编号。由于模型按帧预测，每帧包含多个频带，每个频带取若干档位之一，1 帧对应极大的组合空间。实现上解码器对每个时频点预测混合逻辑分布的参数，推理时先用温度控制选择混合成分，再从该成分采样具体值。这种采样带随机性，不是确定性查表。

自回归合成 × 掩码扩散模型： 自回归合成负责 1 次揭示 1 帧、逐步累积声学上下文的分工，掩码扩散模型负责以随机掩码训练获得与顺序无关的条件预测能力的分工，二者搭配的理由是同一套参数可以在推理时执行任意排列的揭示顺序，组合后新增的作用是把顺序从固定实现变成可对照的实验变量。

标量量化 × 梅尔频谱： 梅尔频谱负责保留语音的时频能量结构，标量量化负责把每个时频值按区间直接映射为离散编号而不学习编码器，二者搭配的理由是避免可学习音频编码器引入的表示偏置，组合后新增的作用是让顺序效应的比较建立在透明的信号表示上。

解码策略是实验的操作核心。固定顺序包括从左到右和从右到左。自适应 top1 在每步对每个未解码位置计算所有频带最大对数概率之和作为置信分，选择得分最高的位置作为下一步，取值时从预测分布采样；变体 top1 星号则在取值时直接选最可能值，只决定位置的机制相同，取值更确定。时长引导策略先用时长预测切分语段，在段内按平均置信分选段，段内帧以随机顺序更新。随机性插值策略通过在左到右顺序上执行随机交换来控制非线性程度，交换次数按序列长度的对数规模缩放，系数越小越接近从左到右，越大越接近均匀随机。

置信度 × 时长引导解码： 置信度负责用未解码位置的最大对数概率和来排序候选帧，时长引导解码负责先按时长预测切分语段再在段内随机解码，二者搭配的对照理由是检验局部连续块是否有益，组合意义在于区分全局置信排序与段内随机打乱各自带来的得失。

需要指出，论文未报告网络层数、隐藏维度、学习率等完整超参数，也未说明编码器与时长预测器在解码器训练时是否冻结。复述时应明确这是缺项，不从模型名称推定实现。梯度路径按证据只讲到优化证据下界的单样本蒙特卡洛估计，不猜测未给出的停止梯度细节。

训练目标是什么，如何做到与顺序无关？

训练不等价于按某条链式法则顺序执行 teacher forcing。作者优化的是对数似然的证据下界，其形式是对随机时刻和随机排列求期望，对所有仍被掩码位置的条件对数似然求和并归一化。白话说，每次训练随机抽一个掩码比例和一种掩码模式，让模型用可见帧预测所有不可见帧，而不是只预测某条顺序下的下一个指定帧。所有被掩码位置的损失可以并行计算，每个训练步用单样本估计期望。

这种目标的动机是效率与公平。直接对所有排列的链式似然求和需要顺序执行且排列空间巨大，而下界形式把不同顺序的监督混合在 1 次掩码预测中，期望上不偏向任何特定顺序。训练数据是离散化后的梅尔频谱，监督来源是真实频谱的量化编号，条件是文本先验与可见帧。论文未给出优化器、批量大小与训练步数，复现时这是必须补记的缺项。

基线 Grad-TTS 的训练条件需要单独说明。作者在完整语篇上重新训练基线，而不是使用在分段输入上训练的公开检查点，目的是让解码步数与所提模型的比较更一致。评估时设置固定步数与按长度设定步数两种基线，前者用足够大的步数保证合成质量，后者匹配所提模型的解码步数。这种基线处理是理解后续指标对比的前提。

实验条件：数据、指标与主观评测如何组织？

数据使用 LJSpeech 单 female 英语朗读语料，论文报告包含上 10000 条短句，时长覆盖数秒。划分沿用 Grad-TTS 的划分。客观评估在随机抽取的测试子集上进行，样本量为数十条，每条的随机交换实验重复多次取平均以降低方差。指标包括梅尔倒谱失真、基频对数误差、UTMOSv2 预测的自然度，以及基于 HuBERT 微调的语音识别词错误率。失真类指标越低越好，自然度越高越好，词错误率越低表示可懂度越好。失真指标是相对声码参考计算的，不是相对原始录音。

主观评估采用平均意见分，招募自称英语母语的众包听音者，每样本平均约 10 次打分。演示页当前可用，资源状态为可达，读者可以听到样本，但正式结论以论文报告的受控打分为准。声码器直接使用公开 HiFi-GAN 检查点处理量化梅尔谱，不做专门重训练，这是验证标量量化可行性的关键条件。

下图是量化可行性预实验的导读。横轴反映基频误差，纵轴反映频谱失真，每个蓝点对应一种量化级数，标注数字为量化档数，越靠左下表示失真越小。需要先确认图例只有量化梅尔这一组对象，避免把不同条件误读为多条曲线。

看图路径： 1. 先确认横轴为基频误差方向、纵轴为频谱失真方向；2. 再按标注的量化级数从右上向左下跟踪散点移动趋势；3. 观察量化级数增大到 100 与 1000 附近时散点下降是否趋缓

论文图 2。原论文 Figure 2：“Effect of quantisation level on MCD and log F0 using a public checkpoint on scalar-quantised Mel (no retraining).”。

从像素可见的趋势看，量化档数很小时散点位于右上，失真较大；档数增大时散点向左下移动，失真减小；在档数达到数百后继续增大带来的移动趋缓。论文正文报告在中等档数下失真已较低，词错误率随档数增大下降并趋于稳定，因此后续实验固定使用较大的档数。这一节的教学价值是让初学者先确认表示本身可用，再进入顺序比较，否则顺序差异可能被表示失真掩盖。下表把预实验与数据条件的关键数字整理为可核对形式，单位与裸值保留原文写法。

为比较表示是否可用，需要先提出问题：在不重训练声码器的条件下，标量量化需要多少档才能保持可接受的失真与可懂度。公平条件是同一公开声码器检查点、同一验证集梅尔特征，只改变量化档数。指标方向是失真与词错误率越低越好。

上表解释主要收益与代价。收益是即使经过重度量化，梅尔谱的冗余仍足以支撑高质量重建，且标准声码器无需重训练即可使用。代价是档数过小会明显增大失真，论文因此没有选择最小档数。未胜出项是更小的档数方案，它们在实验中被放弃。边界是该结论只在单说话人朗读数据与特定声码器下验证，未评测多说话人与多样声学条件的泛化。

随机性对照显示了什么指标分化？

在进入具体策略之前，作者先用随机交换系数控制顺序偏离从左到右的程度。系数越小越接近从左到右，越大越接近完全随机。每个系数设置独立重复多次并按语篇平均。这一设计的价值是观察非线性本身的影响，而不混入置信度驱动的选择。

下图是该对照的导读。该图按行组织 4 个指标，从上到下依次为基频误差、频谱失真、预测自然度与词错误率，横轴为随机程度系数。每个指标行内条形高度表示该系数下的指标值，条上标注具体数值，误差线表示波动。读图时必须先按行确认指标方向，不能把条形向下都理解为变差，因为失真向下是变好，自然度向下是变差。

看图路径： 1. 先按从上到下确认四个指标行的名称与数值方向；2. 再沿横轴随机程度从小到大比较红色频谱失真条的变化；3. 最后对比蓝色自然度条与紫色词错误率条是否同向变化

论文图 3。原论文 Figure 3：“Evaluation across decoding orders with controlled randomness. Bars show metric values for different β.”。

像素可见的模式是分化的。基频误差行随系数变化不大，基本保持平稳。频谱失真行随随机程度增大而下降，即更混合的顺序带来更小的频谱失真。预测自然度行则随随机程度增大而下降，即更顺序化的解码更受自然度预测器青睐。词错误率呈非单调变化，在中间偏小的系数处出现最低点，而不是在两端。这种分化说明不能用单一指标断言某种随机程度全面最优，也反驳了越接近从左到右一定越好的直觉。

复述时要保留的判断是随机性效应依赖指标。支持该判断的是失真下降与自然度下降同时出现，以及词错误率的非单调最低点。限制是该实验只改变随机交换，不涉及置信度自适应，因此不能直接推出自适应策略的表现。下表把该对照的实验组织方式整理为可核对形式。

为回答随机性是否有单调好处，需要明确比较问题与公平条件。问题是固定模型与数据，只改变顺序随机程度时各指标如何变化。公平条件是同一模型、同一测试子集、每个系数重复多次平均。指标方向是失真与词错误率越低越好，自然度越高越好。

上表后需要解释收益与代价。收益是该对照提供了独立于置信度的随机性基线，后续自适应策略的增益不能简单归因于随机。代价是该表未包含各系数下的完整数值曲线，精确数值需看原图条形标注，本文解读不硬写像素难以辨认的小数。未胜出项是完全随机端，它在自然度上明显吃亏。未评测边界是推理步数固定为逐帧，块并行下的随机性效应不在本文范围内。

具体解码策略比较：谁优于左到右，代价是什么？

具体策略比较是论文的主结果。比较对象包括两个 Grad-TTS 基线、完全随机、从左到右、从右到左、置信度自适应采样与确定性取值变体，以及段级置信加段内随机的时长引导策略。所有策略都在同一离散模型或对应基线上运行，客观指标在同一测试子集上计算，主观打分在同一众包流程下收集。

下图是主比较的导读。横轴为各解码策略，纵向四行分别为基频误差、频谱失真、预测自然度与词错误率。读图时先确认每行纵轴范围不同，不能跨行比较条形绝对高度；再在同一行内比较不同策略的条形标注数值。

看图路径： 1. 先沿横轴确认基线与各解码策略的分组位置；2. 再逐行比较右到左、自适应与左到右在各指标条上的高低；3. 注意确定性取值策略在基频行与词错误率行是否出现相反走向

论文图 4。原论文 Figure 4：“Evaluation on different decoding strategies”。

像素可见的主要模式是，从右到左在多个指标上优于从左到右，失真更低，自然度与可懂度相对更好，基频误差相近。这直接支持从左到右并非最优的判断。自适应采样策略整体靠前，时长引导策略在可懂度上表现突出但在主观与部分客观指标上只是中等。确定性取值的变体在可懂度上有时更好，但在基频自然度上更差，论文解释为逐点取最可能值压缩了频带间的频谱方差，可能削弱谐波结构。基线虽然生成连续频谱，在预测自然度上有小幅优势，但频谱失真明显更高，且按长度匹配步数的基线在基频上更差。

主观结果趋势一致。自适应采样在所有模型输出中取得最高的平均意见分，仅次于声码参考；从右到左排在训练系统第二，优于部分自适应策略；完全随机最差。作者进一步统计自适应顺序的局部方向，发现其以局部从右到左的连续扩展为主，右到左转移比例约 0.9，从左到右仅约 0.05。段内随机的时长引导策略打破了这种方向连续性，表现中等，这与方向连续性相关的观察一致，但论文明确不主张因果，只报告相关模式。

必须保留的反例是，没有一种策略在所有指标上同时最优。确定性取值的可懂度与自然度 trade-off、基线的自然度与失真 trade-off、随机性的失真与自然度分化，都是复述时要讲清的代价。总体趋势不等于每组每步都成立，论文报告的是平均指标，不是逐句保证。

结论的边界与未验证的推测有哪些？

论文直接报告的是在单说话人朗读数据、固定量化档数、逐帧解码与特定声码器条件下的顺序效应。有限解释是有效的顺序往往保持连续帧的局部簇，以平衡长程时间依赖与局部连贯性，特别是局部占优的从右到左推进与更好的感知质量相关。未验证推测是这种方向模式是否在多说话人或更多样声学条件下成立，作者在结论中明确列为未来工作。

缺失证据不是技术错误。论文未测量推理延迟、实时率与训练成本，复述时不能承诺改变顺序改善了速度或成本。逐帧解码的步数等于帧数，推理开销与输出时长相关，但原文未给出硬件预算与耗时数字，因此训练资源、推理开销与实际延迟必须分别讨论，不能混为一谈。

另一个边界是置信度校准。段选择依赖预测概率，但论文指出这些概率可能校准不良。白话说，模型觉得有把握的位置不一定真正更准。因此把置信度当作可靠不确定性来理解是常见误解，正确的复述是它只是一种启发式排序，在本数据上有效，但没有校准验证。相关性也不是因果，局部从右到左与高质量同时出现，不等于强制从右到左一定带来高质量，自适应策略的动态上下文才是完整机制。

复现时先做什么，需要补哪些验证？

值得尝试的场景是已经有逐帧自回归或掩码预测合成管线，并希望在不更换表示的前提下检验顺序影响的研究。复现的第一步是重建透明表示：对梅尔频谱做共享线性标量量化，用公开声码器直接重建，确认在所选档数下失真与可懂度可接受，再进入顺序比较。直接跳过这一步可能把表示失真误读为顺序效应。

第二步是训练与顺序无关的预测器。按证据实现随机时刻与随机排列的掩码预测目标，对所有被掩码位置并行计算损失，用单样本估计期望。推理时固定每次只更新 1 帧，分别实现从左到右、从右到左、均匀随机、置信度自适应与时长引导策略。置信度按未解码位置的最大对数概率和排序，时长引导先按时长预测切段再在段内随机更新。评估时固定同一测试子集，失真相对声码参考计算，可懂度用同一识别模型，自然度与主观打分分开报告，不能把自动自然度当成人评。

还需补的验证包括多说话人数据、不同量化档数与声码器组合、块并行更新下的顺序效应，以及延迟与成本测量。论文未开源代码与权重的可运行状态在正文中没有明确说明，解读只依据演示页当前可用的事实，不推定代码开源。随机采样带来方差，复现时应对随机顺序重复多次并按语篇平均，否则单次运行的差异可能被误读为策略差异。

如何一句话记住这篇论文的方法与取舍？

记住这条链条：文本先验给出说什么，掩码扩散给出无论先写哪 1 帧都能预测的能力，标量量化保证比较的是顺序而不是编码器，解码顺序决定先揭示哪 1 帧。从左到右只是众多顺序中的一种，在本实验中它不是最优。从右到左和基于置信度的自适应顺序通过保持局部连续簇，在失真、可懂度与主观自然度上取得更好的平衡，但不同指标的偏好并不一致，确定性取值、段内随机与基线各自有明确代价。

对初学者的实践建议是，把顺序当作超参数来搜索和报告，而不是默认沿用从左到右。在论文特有的设置下，优先复现从右到左这一简单强基线，再实现置信度自适应，并统计局部方向比例以检验是否出现连续的从右到左扩展。同时保留随机性插值对照，以区分增益来自置信度还是来自非线性本身。任何关于泛化的断言都需要回到多说话人与多样声学条件上重新验证，这正是作者指出的下一步。

⚖️ 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