不用蒸馏也能解耦：CycleCodec 用换说话人再换回来约束内容流

英文题目：CycleCodec: Distillation-Free Factorized Neural Speech Codec via Cycle-Consistent Speaker Swapping

会议身份：conference:interspeech:2026:conference-paper-id:zheng26_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：#自监督学习 #向量量化 #语音编码 #语音转换

评分：5.7/10 | 创新 1.2/2 | 技术严谨 1.0/1.5 | 实验充分 1.0/1.5 | 清晰度 0.8/1 | 影响力 0.9/1.5 | 开源 0.0/1.5 | 可复现 0.1/0.5 | 工程/实践 0.7/1.5

排名：前50% | 文档类型：方法研究

👥 作者与机构

• Rui-Chen Zheng：机构信息未能从会议 PDF 纯文本可靠映射
• Nicholas Sanders：机构信息未能从会议 PDF 纯文本可靠映射
• Jinzuomu Zhong：机构信息未能从会议 PDF 纯文本可靠映射
• Yang Ai：机构信息未能从会议 PDF 纯文本可靠映射
• Zhen-Hua Ling：机构信息未能从会议 PDF 纯文本可靠映射
• Korin Richmond：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

因子分解语音编码需把语音拆为帧级时变内容流与话语级说话人表示，难点是在无外部教师监督时两流互相泄漏且交换说话人后内容容易漂移。其方法链分三步：先以单码本小码本压缩时变流容量并迫使说话人信息流向全局嵌入，输出容量受限的内容量化序列。再用基于查询的聚合器从长时非均匀上下文提炼更具判别性和稳定性的全局向量，为解码提供稳定的说话人条件。最后经交换合成、重分析与换回重构验证内容在说话人注入下保持稳定，以编解码器自身的分析合成闭环替代跨模型蒸馏，这构成与依赖ASR或SSL教师方法的关键机制差异。在LibriTTS测试集零样本语音转换评测下，CycleCodec的WER为11.668，低于TiCodec的WER15.156。该结论目前仅在英语训练与英汉越评测下验证，对真正无标准评测工具的低资源语言及强韵律解耦尚未验证。原文未披露训练、推理或部署成本。

🔗 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：为什么要把一条语音拆成两路？

本文的输入是单条语音波形，目标是把它编码成两路互补表示后再高保真解码。第一路是随时间变化的离散序列，期望承载音素、语义内容和韵律起伏；第二路是整句不变的连续向量，期望承载说话人身份等全局属性。输出是重建波形，以及在测试时可以更换说话人向量后合成的转换语音。研究生首先要建立的动作感是：编码器读入波形产生帧级特征与全局嵌入，量化器把帧级特征离散化，解码器以离散内容为骨架、以全局向量为条件渲染音色。

这样的拆分不是为了压缩率本身，而是为了给语音语言模型提供可控的离散接口：换全局向量就换人，不换时间码就保留说了什么。论文明确把这种可控合成与跨说话人操作作为因式分解的核心动机。需要保留的关键信息是：训练只用英语 LibriTTS，测试同时覆盖英语域内与普通话、越南语域外；教师监督被刻意移除，说话人标签是唯一允许的弱监督，因为它被视为录音元数据而非语言相关先验。

复述时不要把说话人标签说成内容教师，也不要把重建好等同于解耦好，两者在本文中是用两套实验分别测量的。

已有路线如何做解耦，各自的依赖是什么？

在进入方法前，先按相同的输入输出与监督来源区分 3 条路线。第一条是蒸馏依赖路线，以 FACodec、LSCodec、FreeCodec 为代表。它们的做法是让内容流去拟合自动语音识别目标或 WavLM 等自监督语义表示，让说话人流去拟合说话人验证模型，从而用外部教师划定 2 流分工。优点是在高资源语言上内容正确率高，缺点是目标语言不在教师覆盖范围内时表示偏移会扭曲监督信号，哈扎语、莫霍克语这类缺乏转写文本的语言更难以获得可靠教师。第二条是无教师但偏重效率的路线，以 TiCodec 为代表。

它引入时间不变码与段内一致性损失，鼓励同一句话内的全局表示稳定，比特率可以做得很低，但原文指出其设计目标是高效分词而非说话人与内容的可控性，因此在说话人条件生成时仍有残留交叉泄漏。第 3 条是跨域循环路线，如 CycleGAN 图像翻译与 CycleGAN-VC。它们学习两个域之间的双向映射并用对抗训练约束循环一致。

CycleCodec 借用了循环的思想，但明确区别在于：不需要两个语言域、不做对抗、不学跨域映射，而是在同一个编解码器内部做说话人交换、重分析、换回重建，把循环作为自监督约束。理解这三者的监督来源差异，才能明白后文为什么把 LSCodec 当作教师引导上限而非同条件基线，把 TiCodec 当作真正可比的无蒸馏基线。

要解决的具体问题与评测矛盾是什么？

论文要解决的问题可以表述为：在完全不用自动语音识别转写与自监督语义教师、从零训练的前提下，如何让时间流在说话人注入时不漂移，让全局流真正控制音色，并且这种控制能迁移到训练未见过的语言。难点在于容量与控制的矛盾：如果时间码本表达力太强，它会顺手记住音色，全局向量就失去控制力；如果全局聚合只是平均池化，时间上分布不均的说话人线索会被稀释，时间流又被迫残留音色。

评测矛盾在于：低资源语言恰恰缺乏可复现的评测器，但论文又想证明跨语言鲁棒性。为此作者选择了一个折中：在英语上训练，在与英语语音差异大的普通话与越南语上做零样本测试，同时保留可用的词错误率与说话人相似度工具做客观评测，并声明这些评测器仅用于测试、不参与训练。举例来说，这就像教学生只学英语发音规则，却要求他转写中文声调与越南语元音，考的是表示是否把说什么与谁在说分开，而不是考见过多少音素。

复述时必须强调训练测试语言失配是刻意设计的压力测试，不是数据划分失误。

CycleCodec 全景：一个样本如何走完交换与循环？

先沿一个源样本走完全流程。设源 utterance 为 ysrc，目标 utterance 为 ytgt，二者来自同一小批量内不同说话人的非平行样本，通过批量置换配对得到。共享编码器从 ysrc 提取时间特征并量化为 qsrc，从 ytgt 提取全局嵌入 gtgt。共享解码器执行交换合成 yswap 等于 D(qsrc，gtgt)，理想情况是保留源内容韵律、披上目标音色。接着把 yswap 送回同一编码器与量化器重分析，得到 qswap 与 gswap，再用源说话人嵌入 gsrc 执行换回解码 ycycle 等于 D(qswap，gsrc)，并与源梅尔谱比较。

整个过程只用编解码器自身验证自身：若时间流干净，则 qswap 应接近 qsrc；若全局流有效，则 gswap 应接近 gtgt；若波形层面无漂移，则 ycycle 的梅尔谱应接近 ysrc 的梅尔谱。下段导读图 1 的双前向结构，重点看共享权重与冻结位置如何迫使解码器承担一致性责任。

看图路径： 1. 先沿左上源语音与目标语音经共享编码器到解码器的主箭头走完交换前向；2. 再看下半部分交换语音经共享编码器回到共享解码器的循环前向；3. 核对两个雪花标记的冻结位置与三处紫色一致性损失的起止端；4. 确认全局特征与时间特征分别进入解码器的条件位置

论文图 1。原论文 Figure 1：“Overview of CycleCodec during fine-tuning with two forward passes (swap and cycle).”。

图 1 展示了微调阶段上下两条前向。上半交换前向从左右两侧的源与目标语音进入共享编码器，分别产出蓝色时间特征与橙色全局特征后进入共享解码器生成右侧交换语音；下半循环前向把交换语音送回右下共享编码器，再经时间特征与源全局特征进入共享解码器生成左侧循环语音。三处紫色虚线损失分别约束全局相似、时间特征一致与梅尔重建，编码器上的雪花标记表示微调时冻结。图中为简洁省略了时间特征的量化模块，但正文明确量化器同样冻结，梯度主要调整解码器与相关条件路径，避免通过移动分析空间来平凡满足约束。

两流的接口如何收紧：小码本与查询聚合器做了什么？

在引入循环损失之前，论文先收紧表示接口。第一个动作是把时变量化器压缩到单码本、码本大小 256，对应 0.6 kbps 比特率。白话说就是让时间流的词汇表变小，逼它只记随时间快速变化的信息，把不随时间变化的音色留给全局向量。码本过大时，时间流有富余容量记住说话人残留，这是交叉泄漏的结构来源。第二个动作是用基于查询的 Transformer 聚合器替代均匀池化。

设编码器中间帧特征为 H，引入 8 个可学习查询 Q，与 H 拼接成长度 N 加 T 的序列，送入 4 层 Transformer 编码器，只取查询位置输出展平后再经线性加 LeakyReLU 得到全局嵌入 g。白话说就是让 8 个探针在长上下文中主动挑选说话人线索强的帧，而不是对所有帧取平均。段级一致性损失继承自 TiCodec，但不足以让 g 具有强说话人判别力，因此再加标准对比损失，用同说话人为正样本、余弦相似度加温度系数来正则。

时变流 × 全局说话人嵌入： 时变流负责逐帧变化的内容与韵律，用离散码 q 表示；全局说话人嵌入负责整句不变的说话人特质，用连续向量 g 表示。二者必须搭配是因为解码器要同时知道说什么和谁在说，CycleCodec 让 q 容量受限而 g 判别性增强，组合意义是把说话人控制权收敛到 g，减少 q 中残留音色，从而实现可控的零样本音色转换。

复述时要能唯一回指：q 指量化后的时间离散特征，g 指查询聚合后的整句连续向量，D(q，g) 指以 q 为骨架、以 g 为条件的解码重建。前置概念是编码器同时产出 z 与 g，量化只作用于时间支路，全局支路保持连续以便做相似度约束。

循环交换如何提供自监督：三次约束各自防什么漂移？

循环交换的计算目标是验证 q 与 g 在生成中的既定分工。交换后重分析得到 qswap 与 gswap，论文施加两个特征级约束：全局项 Lgswap 等于 1 减去 gswap 与 gtgt 的余弦相似度，要求交换语音在全局空间贴近目标说话人；时间项 Lqswap 等于 qswap 与 qsrc 差的平方 L2 范数，要求更换说话人条件不改变恢复出的时间特征。前者防止 g 失控，后者防止 q 偷换内容。但仅有特征匹配仍可能放过波形级细微失真，因此再加梅尔域循环损失 Lmelcycle 等于 Mel(ycycle) 与 Mel(ysrc) 差的 L1 范数，其中 ycycle 由 qswap 与 gsrc 解码得到。

该损失同时迫使说话人迁移与内容保持，比纯特征约束更强。需要区分的是：这不是语音转换任务的监督，因为没有平行目标真值，也不是对抗训练，而是非平行批量内的自洽检验。

循环一致性说话人交换 × 交叉流泄漏： 循环一致性说话人交换指先用目标说话人条件合成交换语音，再重编码并换回源说话人重建；交叉流泄漏指内容流混入音色或说话人向量混入内容。交换操作是制造泄漏会被放大的检验场，换回重建则提供内容漂移的直接惩罚，组合意义是不依赖外部教师，仅用编解码器自身的前向一致性来压住泄漏。

小码本约束 × 基于查询的 Transformer 聚合器： 小码本约束通过把时变量化器压缩到单码本 256 项来限制时间流的信息容量；基于查询的 Transformer 聚合器用 8 个可学习查询在长上下文中选择性汇总说话人线索。两者分工是前者做减法防止时间流偷存音色，后者做加法让全局向量更具说话人判别力，搭配理由是只限容量仍可能内容漂移，只增强说话人仍可能时间流残留，二者互补支撑后续循环训练。

实现细节上，源目标对通过批量置换构造，确保每对来自不同说话人；重分析复用同一编码器与量化器，保证分析变换固定。理解这一点才能明白冻结的意义：若编码器可动，模型可以通过扭曲分析空间让 qswap 等于 qsrc 而不真正改善合成，冻结堵住了这条捷径。

两阶段如何优化：什么冻结、什么更新、权重如何配平？

论文采用 2 阶段训练策略。第一阶段用原始 TiCodec 目标 Lcodec 加说话人对比项 Lspk，目标是先建立高质量重建并初步分离 2 流。此时编码器、量化器、解码器与查询聚合器都参与训练，沿用 TiCodec 原始训练配方与超参数，训练数据为 24 kHz LibriTTS。第二阶段引入循环说话人交换作为主要的编解码器内部自监督信号，编码器与量化器被冻结，只有解码侧与相关条件路径被迫改进，以在固定分析变换下保持一致。

微调目标为 L 等于 Lcodec 加 λspk 乘 Lspk 加 λq 乘 Lqswap 加 λg 乘 Lgswap 加 λm 乘 Lmelcycle，各 λ 按让每项损失处于可比量级来选择，原文未给出具体数值，这是复现时需要补记的缺项。梯度路径上，交换合成与循环重建的误差回传到解码器，迫使它正确使用 q 与 g；监督来源全部来自编解码器内部重编码与梅尔比较，不使用自动语音识别转写或自监督语义教师。

说话人对比损失 × 编解码重建损失： 说话人对比损失在小批量内拉近同说话人嵌入、推远不同说话人嵌入，属于判别性正则；编解码重建损失保证波形和频谱层面的高保真重建。搭配原因是仅有重建会纵容 2 流任意分工，仅有对比会损害音质，2 阶段加权联合优化让第一阶段先建立可重建的分解，第二阶段再用循环损失稳定可控合成。

对比损失中的说话人标签被明确说明为录音元数据或按说话人整理的记录日志，不属于语言相关先验，因此在低资源采集流水线中通常可得。复述时不要从模型名称推定优化器类型或学习率，原文未报告这些细节，应如实指出缺项而非猜测。

实验条件如何保证公平：数据、基线、指标方向是什么？

实验按两个问题组织：重建质量与解耦性能。重建沿用配对内容：每个 utterance 编码后再用自身全局向量解码，不做说话人交换，用 PESQ、STOI、浊音清音 F1 与词错误率衡量，方向是前三者越高越好、词错误率越低越好。解耦用零样本语音转换衡量：源内容加非平行目标参考合成，报告基于 Resemblyzer 与 WavLM 余弦相似度的说话人相似度，以及源与转换语音之间的词错误率，前者越高越好、后者越低越好。数据上，英语用 LibriTTS test-clean 的 500 对，普通话用 Seed-TTS-ZH 的 2018 对，越南语用 VieNeu-TTS-140h 自建 500 对，重建与转换测同一批源内容。

基线是 TiCodec 单码本变体与 LSCodec 50 Hz 配置，均用官方发布检查点；解码时 TiCodec 以编码器提取的连续全局特征为条件。关键公平声明是：LSCodec 用了预训练 WavLM 同时监督内容与说话人流，应视为教师引导上限而非同条件对手；TiCodec 才是可比的无蒸馏基线。评测用 Whisper-large-v3 测英语与越南语词错误率、用 Paraformer-zh 测普通话，WavLM 与 Resemblyzer 仅用于评测。

论文正文给出演示页链接，但本次阅读未完成该链接的 HTTPS 可达验证，不得断言代码、权重或演示当前已公开可用，复现应以论文描述的训练配方为准。

重建与单步转换结果：谁赢了什么，谁付出了什么代价？

先提出比较问题：在同一内容上，CycleCodec 是否在保持无蒸馏的前提下同时改善信号保真与内容正确性？公平条件是所有模型重建同一批源 utterance，指标方向如上节所述。下表整理三语言重建的关键数字，信号指标与词错误率需分开解读。

表后解释需要同时讲收益与代价。CycleCodec 在 3 个数据集上一致超过 TiCodec，并在 PESQ、STOI、浊音清音 F1 上取得最优，支持编解码器内部循环约束能更好保留参考型声学细节的判断。

但 LSCodec 在词错误率上最低，英语 7.222 对比 CycleCodec 的 11.248，普通话与越南语同样如此。这不是矛盾：LSCodec 用预训练语义 token 正则内容流并从参考提示注入说话人信息，天然偏向自动语音识别层面的内容正确性。代价是这种依赖在语言偏移下内容保持退化更明显。下段用零样本转换表检验解耦，并导读迭代转换图以暴露单步看不见的残留纠缠。

看图路径： 1. 先确认左图纵轴为 WER 百分比、横轴为迭代次数 0 到 4；2. 再确认右图纵轴为基于 WavLM 的说话人相似度、三条曲线的相对位置；3. 比较 TiCodec 橙色虚线与 CycleCodec 绿色实线的漂移斜率差异；4. 观察 LSCodec 蓝色点划线在右图中随迭代轻微上扬的趋势

论文图 2。原论文 Figure 2：“Iterative VC evaluation with a fixed target speaker.”。

图 2 左为词错误率随迭代次数的变化，右为说话人相似度随迭代的变化。可见所有模型的词错误率都随迭代上升，这是重复编解码累积失真的必然结果，但斜率不同：TiCodec 从 15.046 经 25.563、33.649、40.629 升至 47.547，CycleCodec 从 11.063 经 18.742、28.347、34.052 升至 38.263，LSCodec 从 7.431 经 10.228、14.637、17.563 升至 24.263。右图 CycleCodec 稳定在 0.841、0.841、0.84、0.84、0.838 附近，TiCodec 在 0.792、0.795、0.792、0.79、0.787 附近，LSCodec 从 0.912 经 0.923、0.925、0.929 升至 0.929。解读是 CycleCodec 以更低的漂移斜率保持内容，同时说话人相似度几乎持平，说明内容保持的提升不是以牺牲音色迁移为代价，而是 2 流分离更干净；LSCodec 相似度随迭代上扬，提示对固定目标条件的偏置。

跨语言单步转换：语言偏移如何改变排名？

本节回答第二个比较问题：当测试语言跳出英语训练分布，教师依赖与内部一致性哪条路线更稳定？条件是使用非平行跨说话人源参考对，英语 500 对、普通话 2018 对、越南语 500 对，报告两种说话人编码器的相似度与转换前后词错误率。下表聚焦论文报告的核心数字，百分点与相对百分比不可混用，数值相同也不代表指标相同。

表后解释：在英语域内，LSCodec 同时取得最高说话人相似度与最低词错误率，这与其匹配语言域的 WavLM 监督一致，应报告为上限而非可部署胜负。在无蒸馏组内，CycleCodec 相对 TiCodec 在三语言上同时提升相似度并降低词错误率（%），例如英语 Resemblyzer 从 0.693 升至 0.756、词错误率从 15.156 降至 11.668。

语言偏移下差距拉开：LSCodec 说话人相似度依然强，但内容保持在普通话与越南语上明显退化，而 CycleCodec 保持有竞争力的相似度并取得更低词错误率，支持内部一致性约束在教师不可靠时更稳定的判断。必须同时指出未胜出项：CycleCodec 在任何语言的词错误率都未击败 LSCodec，在越南语上 25.706 的绝对值仍高，说明低比特率无教师路线的内容正确性仍有边界。

小规模听感测试用每语言 15 对非平行样本、每语言 10 名母语听众，报告自然度平均意见分从 TiCodec 的 3.171 与 3.465 提升至 3.301 与 3.687，二元偏好中内容保持与说话人相似分别以 57.5 与 53.8、59.3 与 57.9 被偏好，但样本量小，只能视为支持性证据而非确证。

零样本语音转换 × 迭代式语音转换： 零样本语音转换指用非平行的源内容加目标参考 1 次合成，检验单步可控性；迭代式语音转换指固定目标说话人嵌入、把上 1 次输出再编码合成重复 4 轮，检验残留纠缠的累积漂移。单步好不代表多步稳定，组合意义是用 1 次转换看分离是否成立，用多次转换看分离是否干净，CycleCodec 的优势主要体现在后者的低漂移斜率上。

拿掉哪一块最疼：循环、小码本、对比损失各自管什么？

消融要回答机制归因问题：内容稳定性主要靠谁，说话人可控性主要靠谁？论文采用累进式消融，从完整 CycleCodec 出发依次移除循环交换、小码本约束、说话人对比项，在 LibriTTS 上报告零样本转换指标。下表只涉及英语消融行，需与跨语言主表区分实验阶段。

表后解释：移除循环后词错误率（%）从 11.668 升至 14.486，降幅最大，支持循环一致性是稳定时间流、防止内容漂移的主要机制的判断。

进一步移除小码本后说话人相似度从 WavLM 的 0.821 降至 0.782，说明容量控制主要改善说话人可控性，即限制时间流偷存音色。最后移除对比损失后相似度再降至 0.764，与其作为全局嵌入辅助正则的角色一致。注意反例：去循环后 Resemblyzer 相似度从 0.756 微升至 0.762，不能解读为去除循环提升音色，而应结合 WavLM 下降与词错误率恶化看作权衡波动。原文未报告每次消融的重建指标与统计显著性，也未做超参数网格，因此不能把单次差值推广为每组必成立，也不能补写拿掉后必然怎样的因果断言。

边界与未验证项：哪些结论不能推广？

首先区分直接报告与有限解释。直接报告的是：在给定数据划分、官方检查点与指定评测器下，CycleCodec 在重建信号指标与无蒸馏组内转换指标上优于 TiCodec，且迭代漂移斜率更小。有限解释的是：LSCodec 内容流受预训练语义 token 正则因而词错误率更低，CycleCodec 经内部循环因而保留更多声学细节，这能解释指标分化但未做因果干预验证，应表述为支持而非证明。未验证项包括：原文表头与正文在个别聚合口径上未完全展开，例如听感测试的配对构造与显著性检验缺失。

训练与推理开销、输出帧率与实际延迟未测量，不能承诺效率改善；比特率固定在 0.6 kbps，未测试更高码率下小码本结论是否成立。总体趋势不等于每步成立：迭代实验显示平均漂移更小，但不能保证任意单句 4 轮后依然可用。相关性不是因果：说话人相似度持平与词错误率降低同时出现，不能直接断定 2 流已完全解耦，只能说在当前探针下分离更干净。

若要在非编码或低资源语言部署，还需补做该语言的转写一致性人工核验，因为现有词错误率依赖的评测器在该场景可能本身不可用。

复现先做什么：数据、冻结、配平与核对清单是什么？

复现的第一步是重建数据与基线条件。训练用 24 kHz LibriTTS，保持 TiCodec 原始配方；评测复用论文的源参考对划分，英语 500 对、普通话 2018 对、越南语 500 对，重建与转换测同一批源内容以保证可比。第二步是实现 2 阶段流程：先训重建加对比损失，再冻结编码器与量化器做循环微调，查询数 8、Transformer 层数 4、单码本 256 项、线性加 LeakyReLU 投影头需与原文一致，损失权重按每项量级可比来初设并记录实际数值，因为原文未公开具体 λ。

第三步是核对指标方向与聚合对象：PESQ、STOI、浊音清音 F1 越高越好，词错误率越低越好，说话人相似度用两种编码器分别报告，不可混用。常见误解是把 LSCodec 当同条件基线去追求全面超越，正确做法是把它当教师上限，复现目标应定为在无蒸馏组内稳定超过 TiCodec 并复现迭代斜率差异。

关于可用性：论文给出演示页地址，但本次未能确认其 HTTPS 可达，资源状态为未发现完成验证的绑定资源，因此不得声称代码、模型或数据已公开，复现应从描述的架构与流程重新实现并保留随机种子与检查点。

何时值得尝试 CycleCodec，何时应保留教师路线？

当目标语言缺乏可靠自动语音识别或自监督教师，或教师覆盖与目标域差异大，且录音元数据能提供说话人标签时，CycleCodec 的内部循环路线值得尝试。它的可操作抓手很具体：先用小码本收紧时间流，再用查询聚合增强全局流，最后用交换重分析加换回梅尔重建稳定解码器的条件使用，全程无需平行跨说话人数据。

当应用以词错误率绝对值优先且已有覆盖目标语言的高质量教师时，应保留 LSCodec 这类教师引导路线，因为 CycleCodec 在三语言的词错误率均未胜出，且越南语绝对误差仍高。教学层面的收束是：重建好回答保真，单步转换好回答可控，迭代转换好回答干净，三者缺一不可。

下 1 次验证应补足缺项：公开损失权重与优化细节、报告多次种子的波动、测量训练与推理成本，并在真正的低资源语言上做人工内容一致性核验，才能把当前在普通话与越南语代理评测上的稳定迁移推进为可部署结论。

⚖️ 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