A Practical Evaluation Method for Long-Form Simultaneous Speech-to-Speech Translation

英文题目：A Practical Evaluation Method for Long-Form Simultaneous Speech-to-Speech Translation

会议身份：conference:iwslt:2026:conference-paper-id:2026.iwslt-1.3

✅ 来源为官方会议 PDF；表格与 Figure 按原文证据绑定。PDF 公式以原页区域图片展示，未冒称作者原始 TeX。

会议来源：官方记录 · 官方 PDF

标签：#评测协议 #长音频处理 #流式处理 #语音翻译

评分：6.5/10 | 创新 1.2/2 | 技术严谨 1.2/1.5 | 实验充分 0.8/1.5 | 清晰度 0.8/1 | 影响力 1.0/1.5 | 开源 0.0/1.5 | 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

Yulin Xue：机构信息未能从会议 PDF 纯文本可靠映射
Siqi Ouyang：机构信息未能从会议 PDF 纯文本可靠映射
Lei Li：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

长形式同时语音到语音翻译以连续数分钟源语音为输入并实时生成目标语音，预切分评测掩盖了长时累积延迟、过翻与漏翻等真实难点。方法链分三步：先用Qwen3-ASR-1.7B对目标语音转写并用Qwen3-ForcedAligner-0.6B恢复词级结束时间戳，分块时长为180秒；再用SEGALE结合句子边界检测与句子嵌入将目标句对齐到源语句与参考译文，前步的文本与时间戳直接作为对齐输入；最后在每个对齐组内按理想均匀时长计算延迟并用xCOMET等计算质量，再平均为系统级分数。与边界感知延迟的关键差异在于不对齐源端流式识别输出而对齐真值源句，且不依赖级联中间文本，因而可评端到端系统并降低源端识别误差敏感性。在ACL 60/60开发集评测下，Seed LiveInterpret 2.0英语到德语方向的xCOMET-XL为85.39，高于SeamlessStreaming的xCOMET-XL 67.56，但前者延迟达7.939秒亦更高。分析还发现英译日目标时长系统性偏长导致句尾偏移累积超200秒，而英译中偏短则偏移稳定。该结论适用边界限于有句子级源转写与参考译文的受控长语音评测，尚未验证无参考或高噪声直播场景。原文未披露训练、推理或部署成本。

🔗 开源与复现资源

第三方资源：https://spacy.io/ — 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，评测要输出什么，哪些信息不能丢？

这篇论文处理的对象是长时同时语音到语音翻译。输入是一段连续的源语音流，论文把它形式化为按句子切分的波形序列，每句对应一条预先切好的源转写与一条参考译文。目标是评价系统增量生成的目标语音，要求输出句子级乃至系统级的延迟分数与质量分数。

白话说，同时语音到语音翻译就是一边听源语言说话，一边用目标语言语音往外说，不等整篇结束。长时意味着输入可能是 10 分钟左右的演讲，中间没有人工给好的断句点。评测时必须保留的信息有 3 类。第一是时间起点对齐，论文假设输入与目标语音流共享同一初始时间戳，否则延迟无从算起。第二是源端句子边界与参考译文，它们是后续对齐的锚点。第三是目标语音中每个词何时被说出，这是延迟计算的原始证据。

同时语音到语音翻译 × 长时连续输入： 同时语音到语音翻译负责在源语音还在流入时就增量生成目标语音，追求边听边说；长时连续输入指会议式的不预先切句、持续数分钟的语音流，它让系统不能依赖干净的单句边界。二者搭配的原因是真实应用恰好是长流式输入，组合意义在于评测必须处理无边界输入下的延迟累积与跨句错位，而不只是单句质量。

初学者容易误以为只要把生成语音转成文字再算文本质量就够了。论文强调的做法是先恢复目标文字及其词级时间戳，再把目标文字切回与源句子对应的组，最后在每组上算延迟与质量并平均。若丢掉时间戳，只能谈译得像不像，不能谈慢了多少。若丢掉句子对应，只能在整篇长文本上粗略比较，会把漏句、多句、串句等问题混在一起。

附录：关键术语与阅读顺序建议

同时语音到语音翻译指源语音流入过程中增量生成目标语音，英文为 simultaneous speech-to-speech translation。长文评测指不依赖预切分、在连续流上先对齐再计分。强制对齐指用音频与文本求词级时间戳。SEGALE 指基于句嵌入与自适应跳过惩罚的句子对齐方法。YAAL 系列指面向同时翻译的延迟指标家族。xCOMET 指基于神经网络的翻译质量指标。

建议按输入条件、时间戳恢复、对齐分组、分组计分、数据集对照、反证分析的顺序阅读。每遇到一个分数，先问它在哪个对齐组上算、用哪个聚合得到、空组如何处理，再看数字大小。这种读法能避免把不同聚合口径的数字直接比较。

已有路线在长语音上为什么不好直接复用？

论文梳理了 3 条相关路线。第一条是同时翻译的延迟评测，传统做法假设输入已预先切成话语，再在单句上算延迟。近期面向同时语音到文本长文评测的工作把假设放宽，先用切分器把假设切成与参考对应的话语，再逐段算延迟。代表性思路包括扩展到长文的 StreamLAAL 与改进结构偏置的 LongYAAL，后者还引入 SoftSegmenter 改善切分与对齐。

第二条是长文机器翻译评测中的句子对齐。早期 mwerSegmenter 通过最小化词错误率对齐假设与参考，但对句子边界处理不好，在过翻译与欠翻译时容易失效。SEGALE 则先用句子边界检测器恢复边界，再正确惩罚过翻译与欠翻译，鲁棒性更好。论文直接沿用 SEGALE 作为长假设的切分器。

第 3 条是面向长时语音到语音同传的边界感知延迟。它先把目标语音切成句子，用强制对齐恢复目标词元时间戳，再基于时间戳算延迟。论文指出该路线的实践限制在于方法未开源难以复现，且为级联系统设计，依赖源端流式识别输出而非标准源句子，受源端识别错误影响，同时还假设能拿到目标文本做强制对齐，而部分端到端系统并不提供目标文本。

边界感知延迟 × 端到端系统： 边界感知延迟是早期面向长时语音到语音同传的延迟度量思路，它需要先把目标语音切成与源流对齐的句子再算时间差；端到端系统指不经过显式中间文本、直接由模型生成目标语音的同传系统。二者搭配困难的原因是原方法依赖级联架构中的流式识别输出与目标文本假设，在端到端系统不提供目标文本时难以实施，组合意义在于新方法必须绕开对目标文本先验的依赖。

对照的关键在于同输入、同目标、同运行阶段。论文的方法与同时语音到文本的长文评测共享长流切分问题，但输出模态多了一步语音，需要先做目标端识别与对齐。与边界感知延迟相比，同目标都是长时语音到语音延迟，但监督与运行条件不同，新方法只要求源语音、预切分源转写与参考译文，再加系统生成的目标语音，不要求源端流式识别输出与目标文本先验，因此更适合端到端系统。

附录：同条件对照清单

同输入对照应看是否同样面对未预切分的连续语音。同目标对照应看是否同样评价语音到语音而非语音到文本。同监督对照应看是否同样只用源句子与参考译文而不依赖目标文本先验。同运行阶段对照应看是否同样允许端到端系统只输出语音。按这四项检查，本文方法与同时语音到文本的长文方法共享长流问题但模态不同，与边界感知延迟同目标但监督条件不同，与单句评测运行阶段不同，因此不应把跨类别数字当作同条件胜负。

论文把评测问题如何形式化，需要哪些给定条件？

论文把长输入语音流记为多个句子波形的序列，每句有参考文本译文。系统在输入流给定后增量生成目标语音。评测方法的目标是在给定源语音流、源句子波形序列与参考译文序列的条件下，为生成的目标语音算出延迟与质量分数。

这个形式化隐含 3 个可核对的条件。第一，源语音已按句子预切分，转写与参考译文按句对应，这是对齐的真值锚点。第二，输入与目标语音流在起始时刻对齐，共享初始时间戳，这是所有延迟差值的前提。第三，目标语音由被测系统实际生成，评测方不假设能拿到系统内部的目标文本，一切目标文字都需后续用识别得到。

举例说明只是教学例子，不代表论文数据。假设 1 篇演讲有 100 句源文，系统生成了一段连续目标语音，评测先要知道这段语音里每个词何时结束，再判断第 10 到第 12 个目标句对应源端第 10 句，最后才能说第 10 组延迟了几秒、质量如何。若源句边界本身不可靠，后续分组与平均都会失真，因此论文把源端预切分转写当作输入条件固定下来。

附录：输入输出核对表

输入核对包括源语音流、源句子波形序列、源转写句子序列、参考译文句子序列与系统生成的目标语音。输出核对包括目标文本、词级结束时间戳、目标句子切分、对齐组序列、组延迟、组质量与系统平均分。缺任何一项都应明确标注缺项，例如缺少目标文本先验时必须走识别链路，缺少起始对齐时延迟无定义。复述方法时应能说清每一步的输入从哪来、输出到哪去，避免跳过时间戳映射与空组处理这两个易错环节。

三段式流水线如何从目标语音走到系统分数？

论文的评测流水线分为 3 段。第一段是转写加时间戳。给定系统生成的目标语音，用当前较好的语音识别与强制对齐模型得到目标文本与词元级时间戳，时间戳取每个词元的结束时间。对于长语音，按固定时长分块处理，每块单独识别与对齐，再用每块起始偏移映射回全局时间轴，最后拼接成完整转写与时间戳序列。原文给出每块时长为 180 秒。

第二段是切分与对齐。先用 spaCy 把目标长文本切成句子，再用 SEGALE 把目标句与源转写句及其参考译文对齐。SEGALE 允许 1 对一、1 对多、多对一、多对多与空对齐，能显式处理过翻译与欠翻译。第 3 段是分组计分。对每个对齐组，用已有延迟指标与句子级质量指标分别计分，再在组间平均得到系统级延迟与质量。过翻译或欠翻译造成的空组不计入延迟，因为缺少双边内容时延迟无定义，质量则给该指标的最低可行分。

沿一个样本走一遍有助于建立依赖顺序。输入是目标语音波形与源句子、参考译文。表示是带全局时间戳的目标词序列。组件是切分器与对齐器，输出是多个对齐组，每组包含连续源句子子集、连续参考译文子集与连续目标句子子集。目标是每组的延迟与质量。

最终输出是组间平均分。先有时间戳与分组，才有后续分数，顺序不能颠倒。

分块识别、嵌入对齐与分组计分各自解决什么？

分块识别解决长语音无法 1 次可靠处理的问题。论文把目标语音切成连续块，每块识别出部分转写，再对每块音频与识别文本做强制对齐得到块内时间戳，加上块起始偏移得到全局时间戳，最后拼接。这种做法的安排理由是长音频直接识别与对齐容易超出模型处理能力或累积误差，分块是工程上的折中。需要核对的细节是块时长固定为 180 秒，时间戳取词元结束时间，全局映射只加偏移不做重叠区融合，原文未说明块间重叠与边界词处理，因此复现时应保持同样的无重叠拼接或明确记录缺项。

强制对齐 × 句嵌入对齐： 强制对齐负责在已知音频与识别文本的条件下给出每个词元在目标语音中的结束时间，解决何时说的问题；句嵌入对齐负责把识别出的目标长文本按语义切成与源语句对应的组，解决说了哪一句的问题。二者搭配的原因是只有时间戳没有句子对应无法按句算延迟与质量，只有句子对应没有时间戳无法算延迟，组合后才能形成可按组聚合的长时评测。

嵌入对齐解决目标长文本与源句子如何对应的问题。SEGALE 先构造源端与目标端的连续跨度候选，而不是只允许单句对单句，再用基于嵌入的语义相似度计算匹配代价，代价越低越相似。接着用 Vecalign 在保持单调的条件下找源句序列与目标句序列之间的对齐，允许任一侧空对齐，空对齐的代价由跳过惩罚控制。跳过惩罚大时倾向于少跳过、多强制匹配，空对齐率低但平均匹配代价可能升高。跳过惩罚小时倾向于跳过难匹配对，空对齐率升高但保留的匹配更易。SEGALE 从较大值开始逐步减小搜索，一旦平均对齐代价低于阈值或空对齐率超过阈值，就视为开始过度删除并返回上一步的对齐。

分组计分解决如何把对齐结果变成可比分数的问题。对每个非空组，记源跨度的起止时间与目标组词元时间戳，定义每个目标词元的理想延迟为源起始时间加上按参考与目标词数归一化的等速进度，再对组内词元的实际与理想差值平均得到组延迟。长文延迟是对组延迟再平均，并排除在完整源流结束后生成的目标词元。质量则是对每组调用句子级指标，过翻译或欠翻译组直接赋最低可行分，再平均。原文举例最低可行分在 COMET 为 0，在 MetricX 为负 25。

YAAL × xCOMET： YAAL 类延迟指标负责度量目标词元实际出现时间相对理想等速进度的平均滞后，回答慢了多少；xCOMET 类质量指标负责度量每组目标译文相对源文与参考译文的语义质量，回答译得对不对。二者搭配的原因是同传必须同时看速度与 fidelity，组合意义在于同一套句子分组上分别算延迟与质量再平均，避免用质量掩盖延迟累积或用延迟掩盖漏译。

过翻译 × 欠翻译： 过翻译指目标端多出了源端没有对应内容的句子，欠翻译指源端某些句子在目标端没有对应输出；二者都是同传长流中常见的非 1 对一现象。搭配对齐机制的原因是评测必须允许空对齐组而不崩溃，组合意义在于延迟计算跳过无双边内容的组、质量计算给最低可行分，从而同时惩罚内容缺失又不让延迟无定义。

初学者应注意延迟与质量的聚合对象都是对齐组，而非词元总数加权平均。组数由对齐结果决定，因此切分质量会同时影响延迟与质量的分母与分组边界，这是后文分析切分器时需要记住的依赖。

本研究训练了什么，没有训练什么，真实计算是什么？

本研究没有训练新的翻译或识别模型，这一点必须先说清。论文未报告任何针对同传模型、识别模型、对齐模型或切分器的梯度训练、参数更新与优化过程，也未给出训练数据、损失函数与训练超参数。不能把无训练等同于确定性求解，也不能从使用了冻结模型推定系统输出确定。

真实计算是调用既有模型做推理与对齐。目标端转写与时间戳调用 Qwen3-ASR-1.7B 与 Qwen3-ForcedAligner-0.6B，句子切分调用 spaCy，句子对齐调用 SEGALE 与其中的 Vecalign，延迟沿用 YAAL 系列思路，质量调用 xCOMET 等句子级指标。被测的同传系统是外部已有系统，包括产品级端到端系统与研究型流式系统，论文只是运行它们生成目标语音再评测。

从复现角度看，需要区分代码开源、权重可得与系统可运行。论文给出评测代码仓库链接，但正文一处写将在 camera-ready 版本发布仓库，读者应以资源状态为准核对当前可达性。识别与对齐模型的权重、spaCy 模型版本、对齐阈值与分块时长都影响可复现性，其中分块时长 180 秒是原文明确给出的关键参数，应原样保留。

在哪些语音上测，用了哪些系统，指标方向是什么？

论文在 2 个数据集上评测。第一个是 ACL 60/60 开发集，由 5 篇英语学术演讲组成，每篇约 10 分钟，考虑英译德、英译日、英译中 3 个方向。第二个是 Audio-NTREX-4L 测试集，由文本翻译数据集经高质量语音合成与多说话人声音构建，覆盖法语、德语、葡萄牙语、西班牙语到英语，每个方向测试切分包含 450 篇语音，平均时长约 45 秒，论文评测全部 4 个到英语方向。

被测系统有 3 个代表性多语同时语音到语音系统。Seed LiveInterpret 2.0 是面向高保真超低延迟的产品级端到端同传系统，支持音色克隆，基于双工语音到语音架构，通过火山引擎接口评测。Hibiki-Zero 是基于 Moshi 双工架构的端到端系统，先在句子级对齐语音翻译数据上训练，再用优化方法在保持质量的同时降低延迟，在本地单卡上运行。SeamlessStreaming 是 Seamless 家族的多语流式翻译模型，用高效单调多头注意力实现低延迟翻译，同样本地单卡运行。

指标方向需要先固定。延迟以秒为单位，越小越好。质量用 xCOMET-XL，越大越好。论文在长文延迟计算中排除完整源流结束后生成的目标词元，组间平均时跳过空组的延迟但保留空组的质量惩罚。硬件预算方面，原文只说明 Hibiki-Zero 与 SeamlessStreaming 运行在单张 NVIDIA L40S 上，未给出完整耗时与成本统计，这是复现时需要补记的缺项。

资源状态是正文开源声明的唯一依据，第三方 spaCy 链接本次状态为可用。地址为 https://spacy.io/ ，论文用它做目标文本的句子边界检测，复现时应固定其版本与语言模型，否则切分边界会漂移。

长语音与短语音上的延迟与质量呈现什么对照？

在 ACL 60/60 开发集上的比较问题是，同样面对约 10 分钟连续演讲，不同系统是否在延迟与质量之间做出不同取舍，公平条件是同一源语音、同一预切分参考与同一套分组计分流程，指标方向为延迟越低越好、xCOMET-XL 越高越好。下表整理了原文报告的英译德、英译日、英译中结果，延迟单位为秒，质量为 xCOMET-XL，斜杠前后分别对应延迟与质量。

系统	英译德延迟秒	英译德质量	英译日延迟秒	英译日质量	英译中延迟秒	英译中质量
SeamlessStreaming	4.333	67.56	2.434	42.89	1.725	40.66
Seed LiveInterpret 2.0	7.939	85.39	9.413	45.48	5.306	72.78

表后解释需要同时谈收益与代价。Seed LiveInterpret 2.0 在 3 个方向的质量都高于 SeamlessStreaming，尤其英译德与英译中优势明显，但延迟也明显更高，英译日延迟达到约 9.4 秒。SeamlessStreaming 在延迟上占优，但质量较低，英译日与英译中质量都在 40 分段。未胜出项同样重要，SeamlessStreaming 没有在任一方向的质量上胜出，而 Seed 系统没有在任一方向的延迟上胜出，说明这不是单边碾压，而是质量与延迟的权衡。英译日是反例集中处，双方质量都偏低，提示该方向可能受目标语音合成或识别链路影响，不能只看平均分就断言系统优劣。

在 Audio-NTREX 测试集上的比较问题是，当语音缩短到平均约 45 秒时，延迟是否更稳定且差距是否缩小，公平条件与指标方向与上表相同。下表整理了 4 个到英语方向的结果，同样斜杠前后为延迟秒与 xCOMET-XL。

系统	法译英延迟秒质量	德译英延迟秒质量	葡译英延迟秒质量	西译英延迟秒质量	未胜出或边界
SeamlessStreaming	3.520 / 77.50	3.833 / 78.95	3.566 / 76.11	3.608 / 77.88	质量四方向均非最高
Seed LiveInterpret 2.0	5.892 / 86.67	5.933 / 88.63	5.530 / 86.94	5.592 / 88.63	延迟四方向均最高
Hibiki-Zero	3.271 / 80.21	3.313 / 79.50	3.312 / 79.00	3.657 / 81.39	延迟多方向最低但质量居中

表后解释应强调时长带来的变化。到英语方向的延迟比长演讲方向更集中，Seed 系统延迟仍比另两系统高 2 秒以上，但质量保持最好。Hibiki-Zero 在多个方向延迟最低且质量介于两者之间，是延迟敏感场景的可运行选择。限制在于原文只报告这 2 个数据集，若换成噪声更大或语速更快的会议语音，延迟与切分表现可能变化，未评测边界不应外推。

下面先看长演讲中延迟如何随句子推进而变化，为理解累积现象建立视觉证据。

看图路径： 1. 先看横轴句子序号与纵轴结束偏移秒数，确认每列是一篇演讲、每行是一个翻译方向；2. 再对比蓝色与橙色两条折线随序号增大是走平还是上扬；3. 重点观察英译日第三行是否出现超过 100 秒的大偏移；4. 最后看英译中第一行是否存在一条保持低位平稳的例外曲线

论文图 1。原论文 Figure 1：“The ending offset of each aligned sentence for two systems on every speech in the ACL 60/60 dev set.”。

上图显示 ACL 60/60 每篇演讲中每个对齐句的结束偏移随句子序号的变化。横轴是句子序号，纵轴是结束偏移秒数，蓝色为 Seed LiveInterpret 2.0，橙色为 SeamlessStreaming。可见多数面板中曲线随序号增大而上扬，英译日第三行上扬最陡，末端可达上 100 秒量级。例外是英译中部分面板中蓝色曲线保持低位平稳，说明累积并非在所有语言对上都同等严重。读图时不应把单点抖动当作整体趋势，也不应把末端最大值推广为全程平均，关键是区分平稳与持续上扬两类形态。

切分质量与识别质量是否撑得起后续分数？

论文用两类特有细节支撑方法可信度。第一类是切分质量。在 ACL 60/60 英译中开发集上，SEGALE 的切分准确率报告为 90.9%，明显高于 SoftSegmenter 的 79.1%。论文解释 SoftSegmenter 常把边界附近片段错挂到相邻句子，例如把一句话的开头挂到上一段或把结尾挂到下一段，尤其当参考含外语表达而预测做了翻译或改写时，基于局部词元匹配的重切分容易失效。SEGALE 受此类表面形式差异影响较小，切分更符合语义。这支持了选用嵌入级对齐而非纯局部匹配的安排理由，但也留下缺项，原文未给出切分准确率的完整标注协议与统计显著性，复现时需先补标注规则。

第二类是识别质量与英译日异常的反证。Seed LiveInterpret 2.0 在英译日上延迟接近 10 秒而质量仅 45.48，初步观察发现目标语音识别文本含大量乱码与碎片化日语。为区分是识别模型日语能力不足还是目标语音合成质量差，论文用 Qwen3-ASR-1.7B 与 WhisperX 分别测词错率与字错率，以接口返回的目标文本为真值。下表为原文报告的 ACL 60/60 开发集目标语音识别误差，德语与日语为词错率思路，中文为字错率思路，数值越小越好。

Model	De	Ja	Zh
Qwen3-ASR-1.7B	15.37	27.60	4.50
WhisperX	13.80	27.30	5.52

表后解释应点明反证逻辑。两种识别模型在英译日上都给出约 27% 量级的误差，德语约 13% 到 15%，中文约 4% 到 5%。若只是某一个识别器日语不好，不应两个独立识别器同时在日语上显著变差，因此论文判断问题更可能来自日语语音合成质量本身，而非单一识别器偏置。这个判断是有限解释而非因果证明，因为真值取自接口返回文本，若接口文本与实际音频本就不一致，误差会被高估，待验证点是补做人工听辨与文本一致性检查。下面看目标与源时长差的分布，为累积现象提供机制线索。

看图路径： 1. 先确认横轴是目标减源的时长差秒数、纵轴是频数；2. 再比较英译中、英译德、英译日三个直方图峰值位置的左右移动；3. 观察英译中峰值是否落在负区间而英译日峰值落在正区间；4. 结合前一张图的累积趋势思考时长差与偏移上扬的对应关系

论文图 2。原论文 Figure 2：“Distribution of target–source duration differences on the ACL 60/60 dev set. En→Zh is mostly negative, En→De is centered around zero, and En→Ja is mostly positive.”。

上图为 ACL 60/60 上句子级目标减源时长差的直方图，横轴为秒数，纵轴为频数。英译中峰值落在负区间，说明目标语音通常短于源语音。英译德峰值集中在零附近。英译日峰值落在正区间，说明目标语音通常长于源语音。论文报告英译中差值集中在约负 2.5 到负 0.5 秒，英译日集中在约 0 到 3 秒。结合前一张图，负向差值对应平稳偏移，正向差值对应持续上扬，这支持了时长差驱动累积的解释，但相关性不是因果，语速、停顿与系统等待策略同样可能起作用。

哪些结论有证据，哪些还只是可能？

论文直接报告的是方法可行与系统对照。在代表性系统与 2 个数据集上，流水线能产出句子级延迟与质量并聚合为系统分，Seed 系统质量高但延迟高，流式与双工系统延迟更低但质量居中，SEGALE 切分准确率高于所比的切分器。这些是报告级别的事实。

有限解释的是延迟累积与时长差的关系。长演讲延迟高于短语音、英译日累积最重、英译中相对平稳，这些趋势有图表支持。但把累积完全归因于目标比源更长的说法只是可能，因为论文未控制语速、静音分布与系统内部缓存策略，也未测量推理开销与输出帧率。总体趋势不等于每篇演讲每句都成立，图 1 中本身就存在平稳例外。

未验证的推测不应写成定论。例如不能断言换一个识别器就能消除英译日问题，不能承诺该评测能改善系统延迟，也不能把自动质量分当成人评。若要补强，需要补人工对齐抽查、误判率统计、不同块时长与跳过惩罚阈值的敏感性分析，以及推理延迟与成本的独立测量。

要复现这条流水线，先固定什么，再跑什么？

复现的第一步是固定输入条件。准备源语音流、按句预切分的源转写与对应参考译文，并确认输入与目标语音共享起始时间戳。若源切分口径变化，对齐组与平均分都会变化，因此必须记录切分来源与版本。

第二步是固定目标端处理。按 180 秒分块对目标语音做识别与强制对齐，保留词元结束时间并加块偏移映射到全局，再拼接。识别与对齐模型应固定为原文所用的 Qwen3 系列版本，spaCy 应固定语言与模型版本，SEGALE 的跳过惩罚搜索起点、步长与停止阈值应原样记录。原文未完全公开阈值细节时，应把实际使用的配置写入复现日志，不从模型名称推定默认实现。

第三步是固定计分。按对齐组算延迟与质量，延迟排除源流结束后生成的目标词元，空组延迟跳过、质量赋最低可行分，最后组间平均。质量模型应固定为 xCOMET-XL 或原文同版本，避免跨版本比较。被测系统方面，Seed 系统走接口，另两系统本地单卡运行，运行环境与解码参数差异会影响目标语音时长，进而影响延迟，因此也需记录。

常见误解是把自动分数直接当作用户体验。长流同传中听感还受断句自然度、音质与卡顿影响，这些不在当前延迟与 xCOMET 分数内。若复现结果与原文有偏差，应先查切分边界与时间戳映射，再查系统版本与合成时长，而不是先怀疑平均公式。