用同一套国际音标序列做语种识别：可解释的音位组合为何仍摆脱不了语言偏置

英文题目：Identification de la langue par modélisation phonotactique de séquences en API

会议身份：conference:jep:2026:conference-paper-id:iradukunda26_jep

✅ 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：#统计分析 #语音学与音系 #多语言 #语音 #语言识别

评分：6.4/10 | 创新 1.0/2 | 技术严谨 1.2/1.5 | 实验充分 1.2/1.5 | 清晰度 0.8/1 | 影响力 0.9/1.5 | 开源 0.0/1.5 | 可复现 0.3/0.5 | 工程/实践 1.0/1.5

排名：前50% | 文档类型：应用研究

👥 作者与机构

• Murielle Iradukunda：机构信息未能从会议 PDF 纯文本可靠映射
• Raphaël Duroselle：机构信息未能从会议 PDF 纯文本可靠映射
• Clara Ponchard：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

自动语言识别需从朗读语音判定目标语言，难点在于短语音片段信息不足、近似语言对易混淆与声学抽取器对未见语言的系统性偏置。该方法链分三步：通用声学抽取器将波形转为逐帧国际音标符号后验，再经无语言模型的贪婪解码得到单条名义语言无关符号序列，随后每种语言的五元文法模型估计该序列似然并经逻辑回归校准输出判别分。贪婪解码输出直接作为下一阶段 n 元建模的输入以避免引入目标语言先验，而校准模块则将多语言似然比转化为可比的闭集分类决策。相比依赖参考语言音素集的并行解码，该链条改用统一符号表以实现跨语言共享与基于高辨别力双音子的分数可分解解释。在FLEURS测试集下，本系统五元文法模型的准确率为94.2%，高于TitaNet-LID的准确率93.8%。然而贪婪解码音素错误率平均超过47%，且用文本音素化序列训练的模型迁移到预测序列时性能崩塌，说明所谓无关表征仍隐含语言相关性。因此其结论适用边界受限于朗读语音与闭集分类协议，在短句与近似语言对上失败条件显著，跨信道与开放集场景尚未验证，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，哪些信息必须保留？

这篇解读的对象是 1 篇法语写作的语种识别论文，输入是一段待判定的语音录音，目标是在闭集条件下预测说话使用的语言。论文选择的路线不是直接把声学特征送入端到端分类器，而是先把音频转写成一串离散符号，再对符号序列的组合规律建模。初学者需要先建立白话理解：所谓语种识别，就是回答这段话是法语还是西班牙语这类问题；所谓音素，是在一个语言内部能区分词义的最小语音类别，例如能否靠一个辅音不同区分两个词；所谓音位组合，是一个语言允许哪些音素如何前后拼接的偏好，例如某些辅音丛只出现在特定语言中。

论文反复强调必须保留的信息是可复述的实验条件和可核对的数字，而不是修辞性结论。输出的解读因此按学习依赖展开：先讲任务与相关路线，再讲方法全景与组件计算，然后讲数据划分与评估指标，最后讲主结果与反证。教学中举例时只用定性例子，例如西班牙语与法语的元音丰富度不同，不虚构任何准确率或错误率数值。

音素 × 音位组合： 音素指具有区别意义功能的最小语音单位，分工是划分一个语言内部靠发音差异区分词义的类别；音位组合指一个语言允许哪些音素按什么顺序拼接，分工是刻画序列层面的合法性偏好。二者搭配的理由是单个音素在多语言间高度重叠，单靠音素出现与否难以区分语种，而组合频率保留了先后约束，组合意义在于把可解释的离散符号变成可计数的判据。

理解这组概念后，才能明白论文的核心矛盾：作者希望用一套统一符号摆脱对参考语言音素表的依赖，但实验又显示符号序列本身仍然带有语言偏置。这个矛盾贯穿全文，也是后文所有对照的设计动机。

已有哪些路线，本文与它们在输入监督和运行阶段上有何不同？

传统语种识别中有一条经典路线是基于音素的音位组合方法。做法是先用某个参考语言训练的音素识别器把语音转成音素序列，再为每个候选语言训练一个序列模型，测试时比较同一序列在各个语言模型下的似然。并行音素识别加语言模型的扩展是同时使用多个参考语言的识别器，以缓解单一参考语言带来的覆盖不足。原文明确指出这类系统的可解释性优势在于表示是可读的、带时间定位的音素序列，而且打分可以分解到每个组合的频次上。

另一条路线是声学端到端方法，直接从声学表示学习判别边界，近年常借助大规模预训练。这类方法在短语音或与抽取器训练语言差异大的目标语言上可能更稳健，但中间表示不易直接对应到语言学概念。论文引用近期工作说明音位组合方法在整体性能上可能弱于声学方法，尤其是在短录音和跨语言泛化条件下。

在符号抽取器方面，论文梳理了 3 类多语言国际音标抽取器。第一类是以 wav2vec2Phoneme 为代表的方法，依赖自动字素到音素工具把文本转成音标监督；第二类是 MultIPA，人工挑选字形与发音对应较规则的语言和工具；第 3 类是 Allosaurus，直接面向实际发音建模。原文报告在未见过的低资源语言上，Allosaurus 的音素错误率远高于前两者，而 wav2vec2Phoneme 与 MultIPA 处于同一量级。这 1 对照说明本文选择 wav2vec2Phoneme 的理由是性能较高且语言覆盖广，同时作者明确承认其监督本质上是音位性的，而非真正的语音实现层面的音标。

要解决的具体问题是什么，为什么统一符号听起来美好却难以实现？

具体问题可以表述为：在只允许使用一个所谓与语言无关的国际音标序列的前提下，能否构建一个既有竞争力又可解释的语种识别系统，并检验该序列是否真的与语言无关。输入是原始波形，中间表示是离散符号序列，输出是闭集语种标签和可用于检测评估的分数。

难点来自两个方面。第一，每个语言只使用人类全部语音中的一个子集，而且只有其中一部分声音承担区别意义的功能。实际抽取器输出的单位并不等于语言学上按对立关系定义的音素，而是受模型和参考语言符号表影响的诱导范畴。把它当作通用音标使用，会同时限制性能和可解释性。第二，现有大规模音标监督难以获得人工专家标注，只能用字素到音素工具从文本自动生成。这种工具输出本质上是音位性的，质量无保证，可能丢失实际发音中的同位异音和上下文变体，而这些细节恰恰可能具有区分力。

因此论文设置了双重检验：一方面看语种识别是否具有竞争力，另一方面看音素识别和解码对照是否支持语言无关假设。如果序列真的与语言无关，那么在解码时加入目标语言特定的语言模型应只带来很小增益；如果增益很大，则假设不成立。这个可证伪的设计是全文方法与实验的纽带。

系统全景：一个样本如何从波形走到语种判决？

沿一个样本走完全流程有助于建立全局依赖。假设输入是一段法语朗读，先进入国际音标抽取器，逐帧输出每个符号的后验概率，形成后验概率图；解码模块把该概率图压缩成一个最可能的符号序列；随后每个候选语言的音位组合模型分别计算该序列的似然；校准模块对这些似然做逻辑回归修正，输出最终用于取最大值的准确率判决和用于计算等错误率的似然比分数。

下图是论文给出的系统框图，阅读时应先抓住主链路，再看并行打分与校准的位置关系。

看图路径： 1. 先沿从左到右的主链路走一遍：音频信号到抽取器，再到后验概率图，再到解码出的符号序列；2. 再看右侧分支如何对同一个符号序列并行计算每个候选语言的似然；3. 最后确认校准模块的位置：它在似然之后、最终判决之前，只做分数修正不改变序列

论文图 1。原论文 Figure 1：“Schéma du système phonotactique d’identification de la langue”。

从像素可见的框图保留了关键分工：右侧音位组合模型接收同一个符号序列并输出多个语言假设下的概率，中间校准模块接收这些概率并向左输出修正后的分数，最上方隐约可见后验概率图与符号序列的衔接。图中出现的符号序列记号和多个语言假设的似然记号表明，打分是针对同一序列在不同语言模型下的并行计算，而不是为每个语言单独解码 1 次。

这种安排使后文的归因分析成为可能，因为所有语言假设共享同一个可读输入，差异只来自组合模型的统计量。原文还强调用于语种识别的解码必须是贪心且不依赖目标语言模型的，否则在推理时使用真实语种信息会造成信息泄露。

组件与计算：抽取、解码、组合模型和校准各自做什么？

国际音标抽取器的白话含义是把声音逐帧映射到统一符号表的概率。英文对应 International Phonetic Alphabet extractor，输出不是硬符号，而是每帧在全部符号上的概率分布。论文使用的 wav2vec2Phoneme 基于多语言预训练模型微调而来，预训练阶段使用了大量无标注音频覆盖数十种语言，微调阶段在部分语言的有标注朗读数据上学习，监督的音标序列由字素到音素工具从文本生成。作者明确指出该监督依赖特定语言的字形到音素规则和发音词典，支持上 100 种语言，但本质上是文本派生的音位近似，而非对实际发音的直接记录。

国际音标 × 后验概率图： 国际音标的分工是提供跨语言统一的离散符号表，目标是让不同语种的语音用同一套符号书写；后验概率图的分工是保留每 1 帧对每个符号的不确定性，输出每帧的概率向量。二者搭配的理由是直接硬判决会过早丢掉竞争假设，而先保留概率再解码可以分别检验贪心解码与带语言模型解码的差异，组合意义在于把声学不确定性和符号序列决策分开评估。

解码模块的白话含义是把概率图变成符号串。贪心解码逐帧取最大概率符号并按常规规则去重，不使用任何语言模型，保证与语言无关；集束搜索解码则结合特定语言的 5 元模型，在多条候选中搜索总分最高的序列。论文明确规定只有贪心序列可用于语种识别，带语言模型的解码因为在解码时已知真实语种，只能用于评估音素识别上限，不能用于识别任务。

贪心解码 × 集束搜索解码： 贪心解码的分工是在不使用任何目标语言模型的情况下逐帧取最可能符号并去重，目标是得到与语言无关的序列；集束搜索解码的分工是同时考虑声学后验和特定语言的 5 元语言模型，保留多条候选路径。搭配理由是只有在同一后验输入下对比两种解码，才能判断性能提升来自声学还是来自语言先验，组合意义在于为后文检验语言无关假设提供反证实验。

音位组合模型的白话含义是统计某个语言中符号如何前后相连。英文对应 phonotactic language model，实现是 n 元模型加回退平滑。序列的似然写成从第 n 个符号开始的连乘，每个因子是在前 n-1 个符号条件下的概率；当高阶组合在有限训练数据中出现次数不足时，通过低阶组合估计补足，具体由 kenlm 实现。论文通过改变 n 来观察性能随上下文长度的变化，并在 4 或 5 处达到饱和。

n 元模型 × 回退平滑： n 元模型的分工是用前 n-1 个符号预测当前符号，把长序列的似然分解为局部条件概率连乘；回退平滑的分工是在高阶组合在训练语料中未充分出现时回退到低阶估计，避免零概率。搭配理由是音位组合阶数越高区分力越强但稀疏越严重，组合意义在于用 kenlm 实现的回退机制让 4 元和 5 元模型在有限朗读语料上仍可估计。

校准与评估的白话含义是把原始似然变成可比分数。英文对应 calibration 与 likelihood ratio。语种判决取似然最大的语言计算准确率；检测评估则为每个语言构造似然比，分子是该语言似然，分母是其他所有语言似然的均值，再由此计算等错误率。等错误率越低表示检测权衡越好，准确率越高表示闭集分类越好。

校准 × 似然比： 似然比的分工是把某语言的序列似然与所有其他候选语言的平均似然比较，得到可比的检测分数；校准的分工是用逻辑回归把各语言原始似然映射到更可比的尺度，修正先验和分数偏移。搭配理由是直接比较原始连乘似然会受序列长度和模型规模影响，组合意义在于同时支撑准确率的闭集判决和等错误率的检测评估。

把 4 个组件串起来，新增作用是可解释性：因为最终分数是局部组合概率的连乘，系统可以把 1 次判决分解到具体二元或多元组合的贡献上，后文西班牙语与法语的对照正是利用这一性质。

本研究训练了什么，没有训练什么，真实计算过程是什么？

本研究没有重新训练声学抽取器。抽取器是直接调用已有 wav2vec2Phoneme 权重做推理，论文未报告对其参数的冻结与更新细节、梯度路径或重置时机，因此不能从模型名称推定任何微调实现。解读中把无训练严格表述为未训练该模块，而不是确定性求解，因为即使参数冻结，解码中的搜索和后验采样仍可能引入不确定性。

本研究实际训练的是每个语言的音位组合模型和全局校准模块。构造过程是可重放的：对每个语种取训练划分的音频，先用抽取器加贪心解码得到预测符号序列，再在该序列集合上估计 n 元模型的条件概率，低频组合依赖回退平滑；校准用的逻辑回归在开发集划分上训练，测试集只用于报告。另一条分支完全基于文本：把训练文本用发音工具转成音标序列，再估计同样的 n 元模型，用于检验在理想符号输入下音位信息是否充分。

需要指出的缺项是原文未给出 n 元训练的词表截断、平滑超参数和校准正则化细节，也未报告训练耗时与硬件预算之外的计算开销。复现时应先固定抽取器版本、发音工具版本和语料版本，再分别保存预测序列与文本音标序列，避免把两类序列混用。只有在序列来源一致的条件下比较训练与推理组合，才是有意义的对照。

在哪些数据和划分上测什么，指标方向如何？

实验使用两个朗读语料。第一个是 FLEURS，用于与近期语种识别参考系统比较，评估覆盖上 100 种语言，但受发音工具支持限制，部分需要文本音标的对照只在数十种语言子集上进行。第二个是 CommonVoice 的已验证子集，抽取器曾在该语料上评估，实验限定在发音工具支持的数十种语言，并保留非常接近的变体，例如不同地区的中文，以构造困难任务。两个语料都使用官方的训练、开发和测试划分：训练划分用于估计每个语言的组合模型，开发划分用于训练校准，测试划分用于报告。每个语言的训练录音数量跨度很大，从数百到数十万不等，这是理解小语种估计方差时必须记住的条件。

评估包含 2 个任务。语种识别在闭集下进行，指标是准确率和等错误率，准确率越高越好，等错误率越低越好。音素识别用音素错误率衡量，定义为替换、插入和删除错误总数除以参考转写中的音素总数再乘以 100%，数值越低越好。参考转写来自文本经发音工具的音标化，因此它本身也是自动生成的近似标准，而非人工听辨标注。

比较的公平条件需要逐项核对：同一语料、同一语言集合、同一划分、同一序列来源和同一阶数。跨语料比较准确率时不能忽略语言数量和录音时长的差异；比较贪心与集束搜索的音素错误率时，必须记住后者使用了真实语种的语言模型，属于非可部署的上界，不能直接当作可运行策略的收益。

主结果：阶数如何影响识别，竞争力与代价分别是什么？

本节的核心比较问题是：在固定使用预测符号序列的前提下，增加组合模型的阶数能否持续提升语种识别，以及与近期端到端参考系统相比处于什么位置。公平条件是同一语料和同一测试划分，指标方向为准确率越高越好、等错误率越低越好。下表整理了不同阶数下的识别性能与 3 个参考系统的准确率，参考系统只报告了准确率而无等错误率。

表后解释需要同时给出收益与代价。从二元到四元的提升最为明显，说明更长的上下文捕捉了更多组合约束；到五元和六元后性能基本饱和，表明在当前预测序列质量下继续增大阶数不再带来实质增益。在 FLEURS 上，五元模型的准确率与紧凑端到端模型接近，但低于在大规模数据上微调的模型；在 CommonVoice 上，准确率明显更低，原文将其归因于相近语言间的混淆和短录音的存在。

未胜出项必须保留：二元模型在两个语料上都显著落后，说明过短的上下文不足以支撑上 100 个语言的区分；大规模微调的声学模型仍是准确率最高的基线，不能因为可解释性而掩盖这一差距。

下图把可解释性从口号变成可执行操作，展示西班牙语与法语之间最具区分力的二元组合。

看图路径： 1. 先确认横轴是法语与西班牙语假设之间的对数似然比，零点为决策边界；2. 再分别看左侧红色和右侧绿色各 15 条的延伸长度，比较两侧最具区分力的组合强度；3. 最后读出每条内部标注的二元符号，观察西班牙语侧偏辅音、法语侧偏元音的分布倾向

论文图 2。原论文 Figure 2：“Visualisation des bigrammes de phonèmes les plus discriminants pour la paire de langue espagnol-français sur FLEURS.”。

从像素可见，该图是左右对称的条形图，中间零点为边界，左侧红色指向西班牙语，右侧绿色指向法语，横轴为对数似然比。条形内部标注了具体的二元符号，可读出的倾向是西班牙语侧集中出现特定辅音组合，法语侧集中出现圆唇前元音和鼻化元音相关的组合。原文进一步解释西班牙语 intervocalic 位置的擦音化变体虽然在音系上是非区别性的同位异音，但因其在序列中反复出现而被模型捕捉，这恰好说明表示保留了细粒度的上下文规律。后文还需记住，这种归因只有在序列质量足够时才完全可信，而音素识别的高错误率恰恰限制了它的强度。

CommonVoice 上的音素错误与混淆说明了什么边界？

本节继续按问题组织：预测序列在另一个语料上的误差模式是否一致，以及语种混淆集中在哪些困难对上。公平条件是同一抽取器、同一贪心与集束搜索对照，指标方向仍是音素错误率越低越好。下表节选 CommonVoice 上的部分语言结果，并保留原文报告的平均改善。

表后解释必须包含未评测边界和具体反例。原文指出 CommonVoice 上的准确率只有 81% 左右，主要代价来自相近语言对的混淆，例如阿塞拜疆语与土耳其语、冰岛语与威尔士语、不同地区中文变体之间，以及哈萨克语与鞑靼语等，错误率从约 11% 到 30% 以上不等。这些混淆在语言学上是可理解的，因为相近语言共享大量音段与组合模式，仅靠噪声较大的预测序列难以分开。另一个代价是短录音：序列越短，可用于连乘的组合证据越少，判决越不稳定。原文未给出按时长分桶的量化曲线，因此不能把短语音必然更差当作已验证的因果，只能说它是支持该判断的一个因素。

综合两节结果，论文的直接报告是音位组合系统具有竞争力且可解释，有限解释是统一符号带来了便利但并非真正无关，待验证的是如何得到更接近实际发音的监督。这一分层表述对初学者尤为重要，避免把相关性误读为因果，也避免把总体趋势推广到每个语言。

序列来源对照：理想符号与预测符号之间差了什么？

本节的比较问题是：如果把完美的文本音标序列换成抽取器预测的序列，性能会崩到什么程度，以及训练与推理使用不同来源序列时会发生什么。公平条件是固定 5 元模型和同一语言子集，指标方向与上一节相同。下表整理了 3 种训练与推理组合下的结果，训练与推理的序列来源分别取文本音标化或模型预测。

表后解释的关键是区分直接报告与有限解释。直接报告的是：当训练和推理都使用文本音标序列时，简单的 5 元模型即可达到极高的准确率，支持音位信息本身足以区分多数语言对的判断；当训练用文本序列而推理用预测序列时，性能急剧下降，说明两类序列的分布差异很大；在训练和推理都使用预测序列时，性能回升到接近主结果的水平，说明用同分布的噪声序列训练可以部分补偿抽取误差。

未胜出项是中间一行跨分布组合，它是一个明确的负结果，提醒复现时绝不能把文本上训练的模型直接用于预测序列推理。待验证的推测是预测序列丢失了哪些具体区分线索，原文未逐一量化，只能从音素错误率和语言透明度差异中间接推断。

另一组必须呈现的数字是音素识别本身的错误率。下表先看 FLEURS 子集上贪心与带语言模型解码的对比，语言按原文表格顺序节选，数值为音素错误率。

表后解释要给出具体代价与反例。即使只看节选，也能发现贪心解码的错误率普遍偏高，部分语言超过 70 甚至 80，而加入真实语种语言模型后平均下降十多个百分点。原文报告在 FLEURS 上平均改善约 16 个百分点，在 CommonVoice 上约 19 个百分点。这一改善本身是预期的，但它构成了对语言无关假设的反证：如果序列真的与语言无关，语言特定的先验不应带来如此大的增益。透明语言与不透明语言的对照进一步支持该判断：字形与发音对应规则的语言错误率较低，而对应不一致且受形态影响的语言错误率较高，这与监督来自字素到音素工具的机制是一致的。

哪些结论站得住，哪些还只是推测？

站得住的结论有 3 条。第一，在相同预测序列输入下，4 元或 5 元模型显著优于二元模型，并在五元后饱和，这一趋势在两个语料上一致。第二，当训练与推理序列来源一致且为预测序列时，系统在 FLEURS 上达到与部分近期声学系统可比的水平，但在 CommonVoice 困难变体上明显更低。第三，带目标语言模型的解码大幅降低音素错误率，从而反证预测序列偏离了真正的语言无关表示。

只是有限解释的是透明与不透明语言的差异。虽然拼写与发音对应规则的语言确实错误率更低，但原文未控制训练数据量、音频质量和说话人数量等混杂因素，因此只能说该模式与字素到音素监督的机制一致，不能断言拼写透明度是唯一原因。同样，短录音导致 CommonVoice 性能下降的解释是合理的，但原文未提供时长对照实验，属于可能而待验证。

明确的局限还包括语料类型单一、均为朗读语音，泛化到电话、自发对话或噪声场景的能力未被评估；发音工具仅支持部分语言，导致文本对照只能在子集上进行；资源状态方面，本次收到的证据中没有完成验证的代码、模型或数据链接，因此不能声称系统已公开可运行。训练资源方面，原文仅提及计算 allocation 信息，未报告可复现的耗时、显存和推理延迟，讨论延迟改善或成本降低时必须指出这些量未被测量。

要复现这套系统，先做什么，后做什么？

复现的第一步是固定信息条件，而不是直接调模型。先锁定语料版本与划分：FLEURS 的官方训练、开发和测试划分，以及 CommonVoice 指定版本的已验证样本；再锁定发音工具版本与语言支持表，因为文本音标序列的质量直接决定上界对照；最后锁定抽取器权重版本与解码实现，明确贪心解码不使用任何语言模型，集束搜索仅用于音素识别上界且需记录所用的 5 元模型。

第二步是生成并保存两类序列。对训练、开发和测试的每个录音，用抽取器输出后验概率图，再分别做贪心解码保存预测序列；对有文本的样本，用同一发音工具生成文本音标序列并保存。两类序列的文件名和语言标签必须分开管理，避免跨分布误用。第三步是估计组合模型：为每个语言在训练预测序列上训练不同阶数的 n 元模型，用开发集训练逻辑回归校准，在测试集上计算准确率和等错误率；同时在文本序列子集上重复训练与推理的 3 种组合，以复现理想上界与分布失配的崩塌。

还需补做的验证包括按录音时长分桶的性能曲线、按语系或音节结构分组的评估，以及更换抽取器后的重复实验。原文在结尾明确提出未来将评估其他抽取器和发音属性，并按音节复杂度和音素库存规模分组，这些都是当前结论尚未覆盖的边界。任何新增对照都应保留可运行策略与事后最优的区分：带真实语种语言模型的解码结果只能标注为上界，不能当作可部署收益。

何时值得尝试这条路线，如何一句话记住它？

当任务需要向非技术决策者解释为什么判为某个语言，当语言数量多但每个语言的标注音频有限，当已有较好的多语言音标抽取器可用时，这条路线值得尝试。它的价值不在于在所有榜单上压过大规模微调的声学模型，而在于把判决依据落到可读的符号组合上，使错误分析可以直接指向具体的二元或多元序列。西班牙语与法语的例子表明，系统不仅能给出分数，还能指出哪些辅音组合支持西班牙语、哪些元音组合支持法语，这种分解是端到端分类分数难以直接提供的。

但尝试前必须接受 3 个代价。第一，符号质量是天花板，当前预测序列的音素错误率仍然很高，任何组合模型都无法凭空恢复丢失的发音细节。第二，统一符号并不等于无关表示，解码对照已经显示语言先验带来了巨大增益，因此不能把可解释性等同于语言无关性。第三，跨分布使用是红线，文本上训练的模型不能直接用于预测序列，反之亦然。

用一句话记住：用同一套符号数组合规律做语种识别是可行且可解释的，但符号本身仍带有语言偏置，竞争力与可解释性成立，语言无关性不成立。后续工作若能提供更接近实际发音的监督或对语言更不敏感的发音属性，才可能同时保住性能与解释力。

📐 原文公式与排版

以下展示论文原页中的数学表达区域，保留原始上下标、分式和符号排版。区域序号仅用于本文导航，不是论文公式编号。

区域 1 · 查看论文原页

区域 2 · 查看论文原页

区域 3 · 查看论文原页

另有 4 个候选区域因边界不明确或图片数量、尺寸限制未展开；请查看完整论文中的原始排版。

⚖️ 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 jep-2026 论文汇总