不改模型参数，用多分辨率真伪判断来管住离散语音解码

英文题目：MSpoofTTS: Multi-Resolution Spoof-Guided Inference for Discrete Speech Synthesis

会议身份：conference:interspeech:2026:conference-paper-id:zhao26g_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：#测试时自适应 #零样本 #语音 #语音伪造检测 #文本到语音

评分：5.9/10 | 创新 1.3/2 | 技术严谨 1.0/1.5 | 实验充分 0.9/1.5 | 清晰度 0.7/1 | 影响力 0.9/1.5 | 开源 0.0/1.5 | 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

• Junchuan Zhao：机构信息未能从会议 PDF 纯文本可靠映射
• Minh Duc Vu：机构信息未能从会议 PDF 纯文本可靠映射
• Ye Wang：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

零样本语音合成（Zero-Shot TTS）以文本与参考语音为输入，自回归生成离散神经编解码器（Codec）令牌序列，微小令牌偏差会在解码中累积漂移并产生可闻伪影。所提MSpoofTTS冻结NeuTTS2基座，不做重训或偏好优化，先在LibriTTS约100小时干净英语朗读数据上训练多分辨率令牌级鉴伪器组，区分真实金令牌（Golden Tokens）与合成令牌在不同时域跨度下的分布差异，再以熵感知采样（Entropy-Aware Sampling，EAS）生成候选延续，送入由短窗到长窗的分层剪枝与重排，最终只保留鉴伪排名最优的延续拼回主序列。在LibriSpeech上分层熵感知采样（HierEAS，即MSpoofTTS）NISQA达到4.602，高于原始核采样Original的4.462和EAS的4.571，MOSNet为4.4158，WER降至0.0532，说话人相似度（SIM）维持0.901，基本不损可懂度与音色。在LibriTTS与高难度TwistList舌绕口令集上感知增益趋势一致，但TwistList上HierEAS的WER为0.1531，弱于EAS的0.1433。结论目前仅在英语朗读与单一Codec加单一合成器闭环内验证，未证明跨编解码器、跨语言与强韵律迁移的外推性。原文未量化推理延迟、实时率与训练推理成本。

🔗 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，目标是什么，为什么解码会变差？

这篇论文研究的是零样本离散语音合成。输入是目标文本加上少量参考语音，参考语音提供音色与韵律条件，系统要输出一段与参考人音色一致、与文本内容对应的新语音。实现路线是先用神经音频编解码器把波形变成离散词元，再用自回归语言模型逐个预测词元，最后把词元解码回波形。初学者可以把词元理解成声音的压缩编号，语言模型每次只决定下一个编号。

目标不是单纯读对字，而是让整段编号序列听起来像真人，既不断裂重复，也不漂移到奇怪的口音或噪声感。论文指出的中心矛盾是训练与推理看到的上下文不同。训练时模型以真实词元为上下文做下一词元预测，推理时只能以自己刚生成的词元为上下文继续生成。只要某一步出现一个小的不自然转移，下一步就会基于这个有偏差的历史再预测，误差沿时间累积，最终形成可听见的伪影和整体分布漂移。

由于下一词元预测目标本身不约束序列级自然度，这类问题在推理中很难被模型自己发现和纠正。作者因此把研究目标定为不改基座模型参数，只在推理阶段引入外部真实性评价，把候选序列拉回自然分布。本文只讲该论文实际做的零样本英文朗读合成，不扩展到歌声或对话等任务。论文正文脚注给出了一个演示页链接，但本次未能确认其可达状态，是否公开代码、模型与数据均以该状态为准，不做已公开的断言。

已有路线在修哪里，为什么还不够？

第一条路线是给生成器加监督或奖励。代表做法包括对齐人类偏好、反向推理优化、面向大语言模型语音系统的可微奖励优化等。它们直接改变模型参数或训练目标，能让输出更符合听感，但代价是需要重训练或额外标注与奖励模型，计算成本和系统复杂度上升。第二条路线是只改解码，不动参数。例如 VALL-E 2 中的重复感知采样用启发式重复计数惩罚近期词元，ELLA-V 引入对齐约束与重排，VALL-E R 强调单调对齐以提升鲁棒性。

这类方法部署简单，但论文指出它们主要针对重复或对齐等特定失败模式，没有显式判断生成的词元序列在全局上是否一致、在局部上是否自然。第 3 条路线来自可控文本生成，例如 DExperts 用专家与反专家在解码时调整词元概率，Plug and Play 语言模型用外部属性模型引导生成而不重训练基座模型。这证明了推理时引导的可行性，但对象是文本属性，不是语音词元的听感。第四条路线是欺骗语音检测。

ASVspoof 系列与 CodecFake 系列在波形域做了大量工作，但它们是事后分类器，输入是重建后的音频，不直接处理离散词元，也不参与生成。MSpoofTTS 的定位是把第四条路线的判别思想搬到词元域，并借鉴第 3 条路线的推理时引导，实现训练无关的层次化解码。

要解决的具体问题与学习依赖是什么？

具体问题可以拆成两步。第一步是如何度量离散词元序列的真实性。波形检测器不能直接用，因为解码中途只有部分词元，还没有波形，而且词元伪影可能只出现在很短的局部，也可能要拉长才能看到结构松散。第二步是如何在不重训练的条件下使用这个度量。逐词元加惩罚容易破坏流畅性，整句生成完再重排又太晚且浪费算力。

理解后文需要先建立 3 个依赖概念。第一个是金词元与合成词元的分布差，金词元指由真实波形经 NeuCodec 分词器得到的序列，合成词元指基座模型在默认推理下生成的序列。第二个是时间粒度，短段看相邻转移，长段看上下文连贯，跳采样看粗结构。第 3 个是波束候选，模型 1 次生成多个延续，再按分数保留少数继续扩展。

举例说明依赖关系时仅为教学例子：假设文本要求连读一个长句，模型在某处生成了一个轻微含糊的编号，若不干预，后续编号会围绕这个含糊状态展开，整句逐渐发闷；若在短段判别器发现该延续分数偏低，就可以在它扩散前剪掉该波束。论文用嵌入均值池化后的 t-SNE 可视化支持了这种多粒度差异的存在，但该图是动机证据，不是检测精度的证明。

MSpoofTTS 的全景：谁冻结，谁打分，谁做选择？

方法全景分 3 个角色。基座生成器采用 NeuTTS2，这是一个预训练编解码语音合成系统，论文明确固定其全部参数，不做任何微调。判别器是另外单独训练的 5 个 Conformer 分类器，分别对应连续长度 50、25、10 以及由 50 词元经跳采样得到的两种粗粒度变体，记为 M50、M25、M10、M50←25、M50←10。解码器是以熵感知采样为单步采样器，再套一层分层欺骗引导剪枝与重排。推理流程是先用熵感知采样生成一段长度为 20 的预热序列，然后进入循环扩展。

在每一轮中，先并行采样 8 个长度为 10 的延续，用 M10 保留前 5 个，再扩展到长度 25，用 M25 保留前 3 个，再扩展到长度 50，最后用 M50 及其两个跳采样变体的排序加权平均选出最优延续拼接到已生成序列，直到达到最大长度。整个过程不修改自回归主干，只通过保留与丢弃候选来操纵轨迹。以下官方示意图展示了从波形到多分辨率序列再到 5 个独立模型，以及单个判别器内部从嵌入到分类头的结构，阅读时先看左侧数据构造，再看右侧模型堆叠。

看图路径： 1. 先从左上波形经语音编解码器到蓝色词元方块，确认主数据流向；2. 再对比中间裁剪分支与采样分支各产生哪三路与两路序列；3. 最后看右侧判别器从嵌入到输出概率的纵向堆叠顺序

论文图 1。原论文 Figure 1：“Overview of multi-resolution token-based spoof detection framework.”。

该图左侧最上方从波形虚线框经语音编解码器得到一串蓝色词元方块，随后分为裁剪与采样两路。裁剪路产生长度 10、25、50 的连续子段，采样路对长段做隔点采样得到长度 10 与 25 的粗粒度序列，最下方 5 个模型分别输出真或假。右侧单个判别器自上而下为嵌入层、带残差与正弦标记的 Conformer 块、含前馈、多头自注意力、卷积、前馈与层归一的子层、自适应池化，以及线性、激活、丢弃、线性构成的分类头，最终输出 0 到 1 之间的概率。像素细节显示裁剪路用蓝色系、采样路用橙色系，5 个模型颜色与各自输入序列一致，便于区分连续粒度与跳采样粒度。理解该图后即可明白为何后文需要 5 个而非一个判别器。

判别器看什么：裁剪与跳采样如何构造多分辨率？

沿一个样本走完全程有助于理解。假设有一条真实话语的完整词元序列 c，长度为 T。构造阶段先对它做两种变换。连续裁剪是截取连续子序列，长度取自 10、25、50，短段捕捉细粒度局部转移，长段反映更宽的上下文依赖。跳采样是借鉴神经声码器多尺度判别器的思想，对 50 词元段按降采样率 2 和 5 隔点取样，得到更粗的表示，用于暴露在原始粒度下不明显的长程结构不一致。

每个变换后的片段送入同一个 Conformer 判别器结构。该结构先做词元嵌入，再过堆叠的 Conformer 块，然后做自适应池化把变长序列压成固定向量，最后经轻量分类器输出真伪概率。训练目标是二元交叉熵，独立于语音合成模型优化。5 个模型分别命名为 M50、M25、M10、M50←25、M50←10，前 3 个对应连续段，后两个对应由 50 词元经比率 2 和 5 跳采样得到的变体。实现细节在论文中有明确报告，判别器模型维度为 256，注意力头数为 8，Transformer 层数为 4，前馈维度为 1024，丢弃率为 0.1，用 AdamW 优化器、学习率为万分之一、权重衰减为万分之一，在单张 L40S 上训练。

神经音频编解码 × 编解码语言模型： 神经音频编解码负责把波形压缩成离散词元序列 c={c1,…,cT}并能重建波形，编解码语言模型负责在该离散序列上做自回归下一词元预测，二者搭配的理由是前者提供可建模的紧凑表示、后者复用大语言模型的零样本合成与解码策略，组合意义是合成质量同时依赖编码器保真度和语言模型解码稳定性，MSpoofTTS 只干预后者。

欺骗语音检测 × 词元级多分辨率检测： 欺骗语音检测原本在波形域做事后二分类判断真伪，词元级多分辨率检测把它搬到离散词元序列上并按长度 10、25、50 与跳采样粒度分别建模，二者搭配的理由是波形检测器不能在解码中途对未成波形的候选词元打分，组合意义是让真伪分数成为解码时可调用的真实性评价信号。

连续裁剪 × 跳采样降分辨率： 连续裁剪负责从完整词元序列中截取长度为 10、25、50 的连续子段以暴露局部转移异常，跳采样降分辨率负责对 50 词元段按降采样率 2 和 5 隔点取样以暴露粗粒度结构不一致，二者搭配的理由是有的伪影只在相邻词元间可见、有的要在拉长视野后才可见，组合意义是 5 个检测器分别覆盖细、中、粗时间尺度。

上述分工说明判别器不是波形分类器的简单复用，而是为离散序列与推理中调用重新设计的评价器。需要提醒的是，论文未报告判别器在各粒度上的单独分类准确率与误判率，因此不能从动机图直接推定某个粒度的判别能力最强，只能说作者按该划分训练了 5 个模型并在后文联合使用。

解码时如何剪枝：熵感知采样与分层选择如何配合？

单步采样器是熵感知采样。与 VALL-E 2 中重复感知采样用启发式重复计数直接惩罚近期词元不同，熵感知采样维护一个候选词元记忆缓冲，用逆秩加权与时间衰减调节惩罚强度，目的是防止过度抑制，保留合理的语音多样性。算法需要文本、预训练自回归模型、此前缀、top-p 阈值、簇大小、记忆窗口与 3 个超参数。论文给出的默认配置为簇大小 3、记忆窗口 15，3 个系数分别为 0.2、0.7、0.8，并使用 top-p 为 0.8、top-k 为 50、温度为 1.0。

每一步先算原始分布，再减去记忆惩罚得到调整分布，然后做核采样得到当前词元，并把当前分布的头部候选连同秩与年龄信息写回记忆，同时淘汰超龄条目。分层引导建立在该采样器之上。预热长度为 20，阶段长度为 10、25、50，波束数为 8、5、3。每一轮先用熵感知采样产生 8 个长度为 10 的延续，用 M10 排序保留 5 个，再扩展到长度 25 并用 M25 保留 3 个，再扩展到长度 50，最后对幸存候选分别用 M50、M50←25、M50←10 打分并转成排名，按等权重加权平均得到综合排名，选择排名最优者拼接到主序列。

该设计是先粗后细的反直觉顺序中偏向先用短段快速去掉明显不自然的分支，再用中段与长段做精细选择，兼顾效率与结构一致性。

熵感知采样 × 分层欺骗引导剪枝： 熵感知采样负责在每一步做带记忆衰减的候选词元采样以控制重复又保留多样性，分层欺骗引导剪枝负责在固定步长后用短、中、长判别器逐级保留高真实性波束，二者搭配的理由是单步采样只能看局部概率而看不到序列级自然度，组合意义是用外部判别器把局部采样约束到全局更自然的轨道上。

重复感知采样 × 核采样： 核采样负责按 top-p 和 top-k 截断词表只在高概率集合中采样，重复感知采样在此基础上用启发式重复计数惩罚近期已生成词元，二者搭配的理由是纯核采样在自回归语音中易出现卡顿重复，组合意义是构成对照基线，论文用它说明仅靠启发式惩罚不如熵感知加判别器引导稳定。

需要明确的是，论文未给出该分层循环的延迟与显存公式，也未报告不同波束数下的计算量变化，因此只能定性判断多候选并行会增加推理开销，不能给出具体倍数。

判别器用什么数据训练，为何说基座模型未被训练？

训练部分要区分两类模型。基座语音合成模型 NeuTTS2 在本研究中没有训练阶段，全部参数冻结，只被调用做自回归生成。被训练的是 5 个词元级欺骗检测器。训练数据来自 LibriTTS 训练集约 100 小时的干净英文朗读语音。对每条真实话语，用相同文本但不同参考话语生成 3 条合成对应物，做法是保持默认推理管线与条件不变，只更换说话人参考。

随后把所有真实与合成波形都用 NeuCodec 分词器转成离散词元序列，再按前述裁剪与跳采样构造多分辨率片段，用于监督 5 个二分类器。评估用数据与训练用数据分离，标准评测在 LibriSpeech 与 LibriTTS 测试集上进行，覆盖多说话人与干净合成风格语音，另用 TwistList 绕口令集考验密集头韵与重复音素下的鲁棒性。论文未报告判别器训练的轮数、批量大小与早停规则，也未说明合成 3 倍数据时是否平衡各说话人与文本长度，因此复现时需把这些缺项记为待确认。

以下 t-SNE 图是作者用来说明金词元与合成词元在不同段长下存在分布差的动机证据，阅读时注意它展示的是嵌入分布重叠情况，不是分类性能。

看图路径： 1. 先确认每子图图例中蓝色圆点与红色三角分别代表真实与合成词元；2. 再对比完整话语与长度 50、25、10 子图的重叠程度变化；3. 最后观察红色与蓝色密度云是否在短段下仍保持可分区域

论文图 2。原论文 Figure 2：“t-SNE visualization of embedding distributions under different segment lengths.”。

该图包含 4 个子图，左上为完整话语，右上为段长 50，左下与右下对应更短的 25 与 10。像素可见蓝色圆点为金词元、红色三角为合成词元，并叠加淡蓝与淡红密度云。完整话语下两类点形成多个相对分离的团块，段长缩短后两类点重叠增大但仍保留局部可分区域，说明局部偏差在短段下依然存在。这支持了用多粒度判别器捕捉累积偏差的思路，但不能据此推定检测器在短段上一定更准，因为 t-SNE 距离不等于分类边界。

实验条件如何保证可比：基线、指标与参数是什么？

比较对象包括 5 种实际可运行的推理策略。原始方法指香草核采样，默认 top-k 为 50、温度为 1.0。重复感知采样沿用 top-k 为 50、top-p 为 0.8、窗口 25、重复惩罚 0.1。熵感知采样沿用前述簇大小、窗口与系数，并用 top-p 为 0.8、top-k 为 50、温度为 1.0。层次化变体 HierRAS 与 HierEAS 分别在重复感知与熵感知采样之上套用相同的分层欺骗引导，其中 HierEAS 即论文提出的 MSpoofTTS 完整方法。

分层参数统一为预热 20、阶段长度 10、25、50、波束 8、5、3，排序权重相等。客观指标分 4 类。字错率衡量可懂度，用 Whisper-large-v3 转写后计算，数值越低越好。说话人相似度用 WavLM 模型提取嵌入并算余弦相似度，数值越高越好。感知质量用 NISQA 与 MOSNet 神经估计器打分，数值越高越好。

主观指标为自然度、质量与说话人相似度三项平均意见分，由 15 名听众对不同方法样本按 1 到 5 打分，分数越高越好。所有合成在相同条件与解码管线下进行，区别仅在于推理策略，因此表内差异可归因于解码方法而非文本或参考语音不同。论文未报告显著性检验与置信区间计算方法，主观图虽画出误差线但未说明是否为标准误，解读时应留有余地。

标准集上什么变好了，什么没有变好？

在标准朗读集上的比较问题是，在相同文本与参考条件下，分层欺骗引导是否在保持可懂度与音色相似度的同时提升感知质量。公平条件是同一基座模型与同一合成管线，指标方向为字错率越低越好，其余三项越高越好。下表整理了 LibriSpeech 与 LibriTTS 上的客观结果，表中数值保留原文写法与精度，不做四舍五入。阅读时先看感知质量两列，再看字错率与相似度是否出现代价。

表后解释需要同时说明收益与代价。报告显示熵感知与重复感知均优于原始基线，说明仅改进单步采样已有收益。加入分层引导后感知质量进一步提升，分层熵感知在 2 数据集的 NISQA 与 MOSNet 上均为最好，分层重复感知多为次好。

字错率与相似度的提升相对温和，论文解释为基座本身的可懂度与音色一致性已较强。一个未胜出项值得注意，在 LibriSpeech 相似度上重复感知采样的 0.905 高于分层熵感知的 0.901，说明感知质量最优者并未同时拿下相似度最优，判别器引导主要改善结构自然度而非音色贴近度。该结论的支持范围限于干净英文朗读，未验证噪声或跨语言条件。以下主观柱状图从听感角度提供了交叉验证，阅读时注意层次化方法在自然度上的优势是否大于在相似度上的差异。

看图路径： 1. 先确认横轴三组分别为自然度、质量与说话人相似度，纵轴为 1 至 5 分；2. 再在每组内按从左到右比较真实语音与六种推理策略的高低顺序；3. 最后观察误差线长度，判断层次化方法提升是否稳定超出基线

论文图 3。原论文 Figure 3：“Subjective evaluation of different inference strate- gies measured by MOS-N (naturalness), MOS-Q (quality), and SMOS (similarity).”。

该图横轴为 3 组主观指标，纵轴为 1 到 5 分，图例从左到右为真实语音、原始、重复感知、熵感知、分层重复感知、分层熵感知，其中分层熵感知用虚线边框粉色柱标出。像素可见真实语音在 3 组均为最高，原始方法在自然度组最低约 3.2 分，分层熵感知在自然度组达到约 4.2 分并为合成方法中最高。在质量组分层重复感知略高于分层熵感知，在相似度组所有合成方法差异较小且分层熵感知并非最高。这与客观表一致，支持了层次化引导改善自然度而不损害音色一致性的判断，但质量组提升幅度温和，不宜夸大为主观质量全面最优。

绕口令压力测试下方法还稳吗？

TwistList 由密集头韵与重复音素的绕口令构成，测试问题是当文本本身包含大量合法重复时，重复控制与真实性引导是否会误伤正常发音。公平条件与标准集相同，只是文本难度提高，指标方向不变。下表整理该压力集上的客观结果，数值同样保留原文精度。阅读时重点比较字错率最低者与感知质量最高者是否为同一方法。

表后解释显示整体趋势与标准集一致但出现反例。熵感知采样的字错率 0.1433 为全场最低，略优于分层熵感知的 0.1531，说明在高度受限的音素结构下，额外分层并未进一步降低字错率。分层熵感知保持了可比的可懂度，并在 NISQA 的 4.513 与 MOSNet 的 3.9802 上均为最好，相对字错率增量温和。

负结果是分层重复感知的字错率 0.1702 甚至高于原始基线的 0.1654，且相似度 0.802 为最低，表明启发式重复惩罚与分层剪枝的组合在绕口令下可能过度抑制合法重复，而熵感知加时间衰减更好地平衡了重复控制与正常复现。该对比支持了论文选择熵感知作为默认单步采样器的安排理由，但也说明层次化并非在所有指标上都单调占优。

哪些边界没有测，哪些推测还不能下？

首先是成本缺项。分层方法每轮要并行生成 8 个延续并多次调用判别器排序，论文未报告相对延迟、实时率、显存占用与判别器调用次数，因此不能承诺它在保持质量的同时降低成本，只能说它避免了重训练基座模型的成本。其次是判别器自身缺项。论文未报告 5 个模型各自的准确率、校准情况与跨数据集泛化，也未做消融说明去掉某个粒度后会怎样，因此不能从模型名称推定某个粒度最关键，也不能补写拿掉后必然下降多少。第三是评价缺项。

客观感知质量依赖神经估计器，主观仅 15 人评分且未说明样本量、随机化与统计检验，相似度用另一真实同说话人话语做参考而非固定注册语音，因此总体趋势不等于每组文本或每位说话人都成立。第四是适用边界。训练与评估均为干净英文朗读与合成风格语音，未验证噪声、电话信道、跨语言、情感或歌声，也未测量长时生成中的漂移曲线，因此不能把绕口令上的稳健推广为所有困难文本都稳健。最后是资源状态。

当前证据未绑定并完成验证的代码、模型或数据资源，不得声称系统已开源可运行，复现需按论文文字重新实现判别器与解码循环。

要复现应先做什么，需要哪些关键超参数？

复现的第一步是固定基座与分词器。按论文调用 NeuTTS2 做生成并保持参数冻结，用 NeuCodec 分词器把真实与合成波形都转成词元，保证判别器看到的编号空间与生成器一致。若分词器版本不同，判别器分数将失去意义。第二步是构造判别器数据。对 LibriTTS 训练集约 100 小时语音的每条真实话语，用相同文本加不同参考生成 3 条合成，全部转成词元后按长度 10、25、50 裁剪，并对 50 词元段按比率 2 和 5 跳采样，分别训练 5 个 Conformer 二分类器。

判别器结构按模型维度 256、8 头、4 层、前馈 1024、丢弃 0.1 实现，用 AdamW、学习率万分之一、权重衰减万分之一优化，损失为二元交叉熵。第三步是实现解码。单步用熵感知采样，参数为簇大小 3、记忆窗口 15、系数 0.2、0.7、0.8，配合 top-p 为 0.8、top-k 为 50、温度为 1.0。分层用预热 20、阶段长度 10、25、50、波束 8、5、3，排序权重相等。先沿单样本跑通输入文本加参考、预热、8 选 5、扩展、5 选 3、再扩展、三判别器加权选优的完整链路，再批量跑 LibriSpeech 与 LibriTTS 测试。

评价时用 Whisper-large-v3 算字错率，用 WavLM 算余弦相似度，再用 NISQA 与 MOSNet 估计感知质量，主观部分至少复刻自然度、质量与相似度三项 1 到 5 分制。由于论文未给出训练轮数、批量与最大生成长度，复现时应先记录这些选择并做小规模敏感性检查。

何时值得尝试这种推理时引导？

当基座编解码语言模型已经具备较好的可懂度与音色，但偶发卡顿、含糊或整体发闷，且不允许或不值得重训练时，这种训练无关的分层引导值得尝试。它的价值在于把波形域的事后真伪判断提前到词元域的生成中途，用短段快速剪掉明显不自然的分支，用中长段与粗粒度保证结构连贯，熵感知采样则避免对合法重复过度惩罚。TwistList 的结果提示，若任务文本本身包含大量合法重复，应优先选熵感知而非启发式重复惩罚作为底层采样器，否则分层可能放大误伤。

不值得盲目套用的情况包括对延迟敏感的流式部署、判别器与生成器词元空间不一致、以及非朗读风格的强情感或跨语言场景，这些在论文中均未验证。还需补的验证至少有三项，一是报告推理延迟与判别器开销随波束数的变化，二是报告各粒度判别器的准确率与消融，三是用更大规模与随机化更好的主观测试确认自然度提升的统计显著性。

记住核心判断，MSpoofTTS 报告显示它在干净英文朗读上一致改善感知质量并保持可懂度与音色，但这是一种用额外解码计算换取稳定性的策略，可能的代价是推理更慢，是否采用取决于质量收益是否覆盖该代价。

⚖️ 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