为说话人日志做自监督：目标、数据与容量的分工与代价

英文题目：Scaling self-supervised pretraining for speaker diarization

会议身份：conference:odyssey:2026:conference-paper-id:laurent26_odyssey

✅ 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：#自监督学习 #预训练 #语音 #说话人分离标注

评分：6.4/10 | 创新 1.3/2 | 技术严谨 1.2/1.5 | 实验充分 1.1/1.5 | 清晰度 0.7/1 | 影响力 1.0/1.5 | 开源 0.0/1.5 | 可复现 0.1/0.5 | 工程/实践 1.0/1.5

排名：前50% | 文档类型：方法研究

👥 作者与机构

• Antoine Laurent：机构信息未能从会议 PDF 纯文本可靠映射
• Joonas Kalda：机构信息未能从会议 PDF 纯文本可靠映射
• Hervé Bredin：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

说话人分离标注（Speaker Diarization）需从长录音预测谁在何时说话，输出为帧级多人活动与说话人归属，难点在于重叠语音、任意说话人数与边界精度要求高。该工作以会话型WavLM为编码器，先学习层权重并用加权平均特征做K均值聚类生成离散伪标签，再在Yodas2大规模无标注音频上做掩码预测加去噪预训练，最后在有监督分离标注语料上训练功率集分割模型并经VBx聚类输出长时结果。与沿用HuBERT（Hidden-Unit BERT）第5层目标不同，加权多层目标融合了分布在各层的说话人信息，因而更适配分离标注。在无领结分离错误率（Diarization Error Rate, DER）复合评测上，最优Conformer（卷积增强Transformer）分割模型宏平均达到12.0%，优于同期最优基线的12.3%。结论仅适用于短块分割加聚类的混合架构与会议对话主导场景，重标注显示官方标注噪声可达数个百分点，外推到流式或音频大语言模型路径尚未验证。原文未披露训练与推理成本量化。

🔗 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，本文要回答哪四个问题？

本文输入是连续会议、电话、网络视频等多场景录音，目标是输出谁在何时说话的时间边界，包括重叠语音。评价用无宽容度的日志错误率，即把误检、漏检与说话人混淆时间相加后除以总参考语音时间，数值越低越好。作者强调自监督学习已在语音识别中显示出扩大数据与模型带来增益的趋势，但在说话人日志中是否成立、如何成立尚未系统验证。

为此作者固定以 WavLM 为骨干，设计 4 个可操作的问题：第一，用什么表示做自监督的离散预测目标；第二，无标注预训练数据从 1k 小时扩大到 10k 与 100k 小时是否有增益；第三，模型从基础容量扩大到大容量以及剪枝后会怎样；第四，切分后端与音频块时长如何选择。所有实验最终都落到同一个下游动作：在有监督日志语料上微调切分模型，再到包含多个公开基准的混合评测集上报告错误率。

自监督预训练 × 说话人日志： 自监督预训练负责在无人工标注音频上学习通用语音表示，说话人日志负责回答谁在何时说话；前者提供可迁移的帧级特征，后者将其转为说话人活动与分段，两者搭配的理由是日志标注昂贵而未标注音频量大，组合意义是用大规模无标注学习降低对有标注会话数据的依赖。

本解读只讲论文实际做的事：先用部分日志语料训练会话 WavLM，再用它产生离散目标并在 Yodas2 子集上做更大规模预训练，最后微调切分模型。凡是教学举例都会标明是例子，不把例子数值当作论文结果。

已有路线如何处理长录音与重叠，本文站在哪条线上？

端到端神经日志直接预测说话人活动，在受控短录音上表现强，但遇到说话人数多、录音长、交互复杂时难以扩展。另一条线是先切分再聚类：把长录音切成短块，在块内做端到端预测，再用说话人嵌入与聚类把块间身份合并，从而支持任意说话人数。作者采用的正是带向量聚类的端到端与聚类混合框架，并在切分阶段使用可感知重叠的功率集输出。

在表示侧，wav2vec 2.0、HuBERT 与 WavLM 都证明大规模无标注预训练可迁移到下游任务。WavLM 的特殊之处是掩蔽预测之外加入去噪目标：在输入中加入真实背景噪声或以较低幅度混入另一段语音，要求模型预测原始语音对应的目标，从而对噪声与重叠更鲁棒。正因如此，越来越多日志系统把 WavLM 表示作为输入特征。

本文与已有工作的区别不是提出全新骨干，而是在同一骨干下控制变量地比较目标、数据、容量与后端。相关对照保持同输入、同目标与同运行阶段：例如比较不同预测目标时固定 1k 小时预训练数据与同一混合评测集，比较容量时固定加权平均目标，不把类别差异直接当作同条件胜负。

为什么自监督目标的选择会直接影响日志？

训练 WavLM 需要离散目标，但无标注音频没有人工标签，只能从音频自身自动生成。早期做法是对声学特征聚类得到簇编号，后续做法是用已训练自监督模型的隐状态聚类得到更具信息量的语音单元。训练时把输入序列部分遮蔽，要求模型预测被遮蔽帧对应的离散编号，从而学到上下文表示。

对日志而言，难点在于目标既要保留音素结构以切准边界，又要保留说话人特性以分对身份。如果目标只偏向一端，下游切分模型就可能在重叠或说话人切换处出错。举例来说，这只是一个教学例子：同一段 2 人重叠，若目标把重叠帧都归为同一簇，切分模型就难以学到 2 人同时在说。因此本文把如何构造更适合日志的预测目标作为第一个实验变量，而不是默认沿用语音识别中最常用的目标。

另一个问题是数据构造偏差。Yodas2 是数十万小时的视频音频集合，直接随机采样可能多为单人独白。作者先用现成的日志模型跑出切分统计，丢弃总时长或有效语音不足 2 分钟的文件，再按零人或单人片段占比排序，优先保留多说话人交互与重叠更丰富的录音，然后累计到 210k 小时并划分出独立的开发集与训练分片。

两阶段预训练加微调的全景如何走通一个样本？

沿一个 20 秒音频块走一遍流程有助于理解全景。波形先经卷积特征编码进入 WavLM 的 Transformer 层，得到每层每帧的隐状态；可学习加权平均把各层合并为 1 帧一个向量；该向量再经 4 层双向长短期记忆网络与线性层，映射到功率集输出空间，表示该帧是静音、单人还是特定重叠组合，且每个块最多处理 3 到 4 个说话人。

分段模型 × 聚类： 分段模型负责在短音频块内预测帧级说话人活动，聚类负责把不同块中属于同一说话人的片段合并；前者分工是局部精确切分，后者分工是全局身份关联，搭配理由是端到端模型难以直接处理任意说话人数与长录音，组合意义是先局部切分再全局归并以支持长会话。

训练策略分成先后两轮。第一轮只用有监督日志语料，以现成 HuBERT 基础模型第五层表示经聚类得到的目标从零训练会话 WavLM1，再在其上微调初始切分模型并学到层权重。第二轮用第一轮学到的层 8 与加权平均表示经聚类得到的新目标，在日志语料加 Yodas2 分片上从零训练会话 WavLM2，最后再微调最终切分模型。下图把四框依赖画了出来，是复述方法的关键依据。

看图路径： 1. 从左到右数出四个虚线框并确认每框的数据输入；2. 找到从初始分割模型指向第二次预训练的两条虚线并读出目标标注；3. 确认最后框中后端在双向长短期记忆网络与 Conformer 之间如何标注；4. 核对底部星号说明哪两个模块是从零开始训练

论文图 2。原论文 Figure 2：“Proposed segmentation model training strategy”。

读完上图应确认三件事：第一，第二次预训练的数据是日志语料加 Yodas2 分片，而第一次只有日志语料；第二，指向第二次预训练的箭头明确标出层 8 目标、加权平均目标与 HuBERT 层 5 目标 3 种来源；第三，最终切分模型的后端在图中写作双向长短期记忆网络或 Conformer 两种选项，功率集始终是输出层。这种画法把目标构造与数据规模解耦，便于后续消融逐一替换而不动整体管线。

加权层平均与功率集后端各自算什么？

WavLM 基础模型有 12 层 Transformer、隐维度 768，约 96M 参数；大模型有 24 层、隐维度 1024，约 317M 参数。切分模型在 WavLM 之上先做可学习加权平均，即为每一层学一个标量权重，加权求和得到融合表示。该权重与切分模型联合训练，训练后可直接读出哪一层更重要。论文报告其中第 8 层权重最高，这成为后续用层 8 表示构造离散目标的直接依据。

WavLM × 掩蔽预测： WavLM 负责将波形经卷积编码与 Transformer 建模为上下文表示，掩蔽预测负责把部分帧遮住后预测离散目标；前者提供结构，后者提供学习信号，搭配理由是无标注时仍需可计算的目标，组合意义是迫使模型从上下文恢复语音结构并兼顾去噪鲁棒性。

融合表示之后接 4 层双向长短期记忆网络，每层隐维度 128，再接两层 128 维线性层与最后一层到功率集空间的投影。功率集把每帧可能出现的说话人活动组合枚举为互斥类别，使重叠可以直接作为分类目标学习，而不需要额外的多标签阈值技巧。训练与推理都使用固定时长音频块，基础实验用 20 秒块，后续网格搜索扩展到 16 秒到 40 秒。

加权层平均 × 功率集分割： 加权层平均负责把 WavLM 各 Transformer 层的隐状态按可学习权重合并为 1 帧一向量，功率集分割负责把每帧的多说话人活动编码为互斥类别；前者分工是汇聚分布在不同层的说话人信息，后者分工是直接处理重叠，搭配理由是单层表示不完备而多标签需要统一输出空间，组合意义是给后端的双向长短期记忆网络或 Conformer 提供更完备的输入。

下图显示会话 WavLM 微调切分时学到的层权重分布，是理解为何加权平均优于单层的像素证据。

看图路径： 1. 沿横轴 1 到 12 确认每个柱对应 WavLM 的一层；2. 比较第 8 柱与第 7、9、12 柱的相对高度；3. 观察前 6 层权重整体偏低的分布趋势

论文图 1。原论文 Figure 1：“Learned layer weights of the conversational WavLM fine-tuned for segmentation.”。

从上图可见横轴 1 至 12 层中第 8 柱明显最高，约为 0.21 附近；第 7、第 9 与第 12 柱次高，约在 0.14 附近；第 1 至第 5 柱整体很矮，说明浅层声学细节对当前切分目标贡献较小。这种分布支持论文的判断：说话人相关信息分布在多个中高层，单取第 5 层或单取第 8 层都不如加权合并完备，后续离散目标因此采用加权平均表示经 500 类 K 均值聚类得到的结果。

剪枝与 Conformer 替换改变了哪部分计算？

容量实验之外，作者还考察结构化剪枝与后端替换。剪枝采用已有方法对大模型去除冗余 Transformer 层与注意力头，目标是在保留大部分表示能力的同时大幅减少参数。论文报告剪枝后的大模型切分系统仅 65.4M 参数，小于基础模型的 96.5M 参数；把后端从双向长短期记忆网络换为 Conformer 后为 69.4M 参数，网格搜索后的最优配置为 72.5M 参数。

后端替换只动 WavLM 之后的部分：把 4 层双向长短期记忆网络换成 4 层或 6 层 Conformer，每层配 4 个注意力头，其他的加权平均与功率集输出保持不变。聚类侧为与近期最优系统可比，把凝聚层次聚类换成 VBx 聚类。原文未给出剪枝每一层的具体保留清单与 Conformer 完整超参数表，只报告搜索范围包括块时长 16 秒到 40 秒、每块最大说话人数 3 到 5、长短期记忆网络隐维度 128 到 512、Conformer 深度 4 或 6 层，最终最优为 30 秒块、每块最多 4 人、6 层 Conformer。

理解代价时要分开三笔账：预训练的算力随数据与模型增大而上升，微调切分的算力随块时长与后端深度变化，推理延迟与输出帧率则取决于 WavLM 前向与切分后端。论文给出参数量与错误率，但未报告训练时长、推理实时率或逐步延迟，因此不能从参数更小直接推定延迟更低。

目标、数据分片与微调如何具体构造？

离散目标构造分 3 步。第一步选 3 种特征：现成 HuBERT 基础模型第 5 层、微调切分后的会话 WavLM1 第 8 层、同一模型经学习权重加权平均后的表示。第二步在 200k 小时池中随机抽 2000 小时，对每种特征各训练一个 500 类的 K 均值模型，类别数是预实验后经验选择的。第 3 步用质心对全量训练分片与开发集推断伪标签，得到 3 套目标。

数据分片强调独立重复以检验统计稳健性。从累计 210k 小时池中留出 3 小时开发集，再构造互不重叠的训练分片：两份 100k 小时、四份 10k 小时、八份 1k 小时。1k 小时规模有 8 次独立运行，10k 与 100k 规模各有多次运行，论文以均值加减标准差报告混合评测集上的错误率。排序时优先多说话人交互，采样时无放回随机抽取，避免不同分片因重复文件而虚增一致性。

微调阶段固定用有监督日志语料，包括会议、电话、访谈等多来源数据，块时长基础为 20 秒，每块最多 3 人，最优搜索后为 30 秒块、最多 4 人。层权重与切分后端联合学习，梯度路径按常规微调更新切分侧；原文未明确每次预训练的学习率、优化器细节与冻结策略的具体清单，复现时应以原文给出的块时长、层数、隐维度与 K 均值设置为准，缺失项如实记为未报告而不猜测。

评测集、指标与聚合口径是什么？

评测用无宽容度的日志错误率，不加 250 ms 领圈，直接对边界误差计分。评测集是异构混合，包括中文会议、英文会议、电话、访谈与网络视频等多场景，以及 DIHARD 第三版测试集的全部 11 个领域，目的是覆盖不同声学条件与交互风格。论文把多个基准的错误率再做宏平均得到综合分数，数值越低越好。

为量化标注本身的不确定性，作者另做重标注实验：从 DIHARD 中按领域各取约 30 分钟、共 6 小时 05 分钟，掩去文件来源后交由 4 个独立标注方按统一指南重标。指南要求以 200 ms 以上静音切分轮次、允许重叠独立标注、区分前景与背景语音、可闻笑声咳嗽等也标注、时间精度到厘秒。该实验不改变主评测，只用于交叉评估官方标注、四家重标与模型输出之间的一致性。

资源状态需要如实说明：本次收到的证据中没有完成超链接可达验证的开源声明，不得声称代码、模型或数据已公开。硬件方面作者说明使用了 Jean Zay 超算的大规模算力分配，但未给出具体卡时与批次配置，复现预算只能按数据规模与模型容量做量级估计。

目标选择与数据规模带来多大改进，代价是什么？

先看预测目标的影响。在固定 1k 小时预训练加约 660 小时日志语料的条件下，3 种目标的混合评测错误率报告为 HuBERT 层 5 目标 17.22，微调后会话 WavLM1 层 8 目标 17.06，加权平均目标 16.94，均为 8 次运行的均值，加权平均最优且标准差约 0.11。这支持论文的判断：多层合并比单层更适合日志，但三者差距不到 0.3 个百分点，说明目标改进是稳定但幅度有限的增益。

再看数据规模。在固定加权平均目标下，1k 小时对应 16.94，10k 小时降到 16.63，100k 小时为 16.60，10k 到 100k 的 0.03 差距落在运行波动范围内。也就是说从 1k 到 10k 有明显下降，继续扩大到 100k 边际收益很小，这是后文讨论标注噪声与领域平衡的重要线索。

下表比较基础与大容量在 10k 与 100k 小时下的表现，是容量主结果的可核对依据。比较问题是：在同一目标与同一混合评测下，增大 WavLM 容量是否稳定降低无领圈错误率。公平条件是目标均为加权平均，指标方向为越低越好。

读表可见大模型在 10k 小时为 15.95，在 100k 小时为 15.99，均明显优于基础模型的 16.63 与 16.60，容量代价是从约 96M 增至约 317M 参数。但同一容量内从 10k 到 100k 几乎无增益，大模型甚至略有回升 0.04，说明数据规模的收益在当前管线下先饱和。复现时应优先保证 10k 小时与大容量的组合，而不是盲目追求 100k 小时。

上表进一步纳入剪枝、后端与聚类改进后的可运行配置。比较问题是：在参数受限时剪枝大模型能否保留容量收益，以及更换聚类与调优后基础与大模型的相对位置。公平条件是同一混合评测与无领圈错误率，并同时报告误检、漏检与混淆分量。表后解释是：大模型 10k 小时的 15.03 仍是最强的完整编码器配置；剪枝长短期记忆网络版以 65.4M 参数做到 15.26，优于基础模型的 15.65 与 15.55，说明剪枝保留了大部分容量收益但仍有约 0.23 的损失。

网格搜索后的剪枝版以 72.5M 参数做到 14.99，成为表中最低。未胜出项是剪枝 Conformer 版的 15.34，它并未超过同条件剪枝长短期记忆网络版，支持原文长短期记忆网络在该架构下仍具竞争力的判断。

最优配置在各基准上是否一致优于已有最优？

网格搜索后的最优模型训练于 30 秒音频块、每块最多 4 人、6 层 Conformer 切分头，每层 4 个注意力头。作者报告该 Conformer 模型在所有评测数据集上一致优于同搜索下的长短期记忆网络最优，并在多个常用基准上达到新的最优。需要注意这是在作者混合评测与 VBx 聚类条件下的结论，更换聚类或块时长会改变绝对数值，因此比较时必须保留聚类与块时长条件。

下表是跨基准的明细，是检验总体趋势是否等于每组都成立的依据。比较问题是：最优模型相对截至 2025 年 9 月的已有最优，在各基准无领圈错误率上是否全面占优。公平条件是同基准同指标，方向越低越好，最后一列为宏平均。

表后解释是：最优模型在多数基准上领先，例如混合宏平均 12.0 对比已有最优 12.3，会议与访谈类基准下降约 0.2 到 0.7 个百分点；代价是多说话人野外基准上为 15.7，略高于已有最优的 15.6，构成明确反例。这说明总体最优不等于每组最优，野外多说话人仍是短板。未评测边界包括流式因果架构与更长块的延迟影响，原文把流式作为未来工作而不做结论。

结合前文，消融链条可复述为：目标从单层到加权平均约 0.28 个百分点，数据从 1k 到 10k 约 0.31 个百分点，容量从基础到大在 10k 下约 0.68 个百分点，剪枝加搜索在保持小参数下再降约 0.27 个百分点。每一步都有具体代价：目标需额外训练 K 均值与伪标签，数据需 10 倍无标注音频，容量需 3 倍参数，搜索需更大块时长与更深后端。

为什么扩大数据后增益变小，误差来自哪里？

作者对误差的分析指向标注不一致。短词间停顿有时标为语音、有时标为静音，背景人声在不同文件甚至同一文件内取舍不一，部分应评区域存在漏标。这些问题会把边界抖动直接计入无领圈错误率，从而掩盖模型真实改进。论文用约 250 ms 与 300 ms 的短静音例子说明：同样长度的停顿在一处被切断、在另一处被连为整段，模型无论怎么切都会在一处被扣分。

下图是官方标注与模型输出在同一波形上的对比，是理解边界惩罚的像素证据。导读时先确认上下两行是同一段波形，再看红色椭圆圈出的左右两处短静音处理为何不同。

看图路径： 1. 对比上下两行同一时间位置的黄色与青色块切分差异；2. 找到左右两个红色椭圆并读出 250 ms 与 300 ms 标注；3. 观察重叠区第二说话人块在两行中的长短变化

论文图 3。原论文 Figure 3：“Inconsistent segmentation around short silences in the official annotation”。

从上图可见左侧约 250 ms 的间隙在官方标注中被切为两段，而右侧约 300 ms 的间隙却被连为一段；模型输出在右侧保持两段切分，因而产生约 300 ms 的漏检，在 10 秒片段上对应约 3 个百分点的错误率绝对增量。这不是模型完全听错说话人，而是标注规则执行不一致导致的计分问题。青色块所示重叠区也可见第二说话人块长度在两行中明显不同，进一步说明重叠边界的主观性。

领圈的作用更直接。下图展示同一例子在无领圈与 250 ms 领圈下的误差保留情况，导读时先区分上两行波形为参考与输出，再看下两行波形上绿色与橙色误差块如何随领圈消失。

看图路径： 1. 区分上两行波形上的日志输出与下两行波形上的误差条带；2. 找到绿色与橙色误差块并对照底部图例的含义；3. 观察中间重叠段在大误差块与小误差块中的保留差异

论文图 6。原论文 Figure 6：“Collar effect in evaluation”。

从上图可见一旦施加 250 ms 领圈，大量起止边界误差与小重叠遗漏不再计分，绿色误差块大幅缩短，橙色块仅保留较明显的漏检。这支持作者不用领圈的理由：领圈会隐藏边界精度差异，而精确边界正是该方法相对音频大语言模型日志的优势所在。因此主评测坚持无领圈，但代价是对标注噪声更敏感。

交叉重标矩阵进一步量化这种敏感性。比较问题是：官方标注、四家重标与模型输出两两互评时，差异有多大。公平条件是同一批 6 小时重标音频，指标仍为错误率，数值越低表示两套标注越一致。

表后解释是：不同标注方之间差异可达二十多个百分点，例如官方与第四家互评高达 36.4 与 31.7，而模型输出与官方的差异为 24.1 与 23.6，与第一家的差异低至 22.4 与 23.2。这说明标注方差本身就有数个百分点量级，模型改进若小于该量级就难以与标注抖动区分。未胜出项是模型与第四家的互评最差，表明模型并未偏向所有标注风格。作者因此提出标注噪声构成可测改进的实际上限，并计划用交互式日志迭代提纯参考标注。

误检 × 漏检： 误检负责度量把非语音或错误说话人判为目标语音的时间，漏检负责度量把真实语音判为静音或遗漏的时间；两者分工是把日志错误率拆为不同来源，搭配理由是仅看总错误率无法定位是边界、背景人声还是标注不一致导致，组合意义是结合混淆错误一起判断改进是否来自真正的切分能力。

要复现这条管线，先做什么，后补什么验证？

复现先做数据动作：按论文过滤与排序逻辑从 Yodas2 构造多说话人优先的池子，留出独立开发集，再切出互不重叠的 1k、10k 小时分片，不必一开始就做 100k 小时，因为 10k 到 100k 在报告中已趋平。接着做目标动作：用现成 HuBERT 基础模型第 5 层训练 500 类 K 均值并生成伪标签，先训练会话 WavLM1 与初始切分模型，读出层权重后再训练加权平均目标的 K 均值与会话 WavLM2。

关键超参数按原文保留：预训练与微调块时长基础 20 秒，最优搜索用 30 秒；切分后端基础为 4 层双向长短期记忆网络隐维度 128 加两层 128 维线性层，最优为 6 层 Conformer 每层 4 头；K 均值 500 类、训练用 2000 小时随机音频；每块最大说话人数基础 3 人、最优 4 人；评测坚持无领圈并报告误检、漏检、混淆三分量。聚类从凝聚层次改为 VBx 时要单独记录前后差异，避免把聚类增益误算为表示增益。

还需补的验证包括：在自己数据上重跑多次随机种子以确认 10k 相对 1k 的差距是否超出标准差；固定容量只换块时长以分离时长增益；记录预训练卡时、微调时长与推理实时率，把参数量与真实延迟分开讨论。凡原文未给出的优化器、学习率与冻结细节，应记为缺项而不从模型名推定实现。

何时值得尝试这套做法，如何一句话记住它？

当已有日志系统在重叠与多说话人切换处切不准，且手头有大量未标注会话音频时，值得尝试本文路线：先用小规模日志语料得到会话 WavLM 与层权重，再用加权平均表示构造离散目标去做更大规模预训练，最后把块时长与后端调到 30 秒与 Conformer 级别。预期收益是数个十分点到约 1 个百分点的无领圈错误率下降，代价是数据、容量与搜索三方面的算力上升。

当数据本就以单人独白为主、或评测允许大领圈、或部署要求严格流式低延迟时，不必照搬本文最优：单人数据难以提供重叠监督，大领圈会抹平边界优势，30 秒块与大模型可能不满足实时约束。此时更务实的是只取加权平均目标与剪枝小模型，先验证切分精度再决定是否扩大数据。

常见误解需要澄清：第一，总体趋势不等于每组都赢，野外多说话人基准仍有反例；第二，100k 小时未显著优于 10k 小时不代表数据无用，而是当前目标、领域平衡与标注噪声下的饱和；第三，无领圈分数变差不一定是模型变差，可能是标注不一致放大的结果。记住一句话：用多层加权目标把说话人信息找全，用 10k 量级数据与大容量把表示做厚，用长块与调优把边界做准，同时用重标意识到分数的天花板可能在标注侧。

📐 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。

另有 1 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 odyssey-2026 论文汇总