只给看、不给听的反馈：视觉反馈如何帮普通话人建立粤语声调范畴

英文题目：Enhancing Cantonese tone learning in Mandarin speakers: The role of visual feedback and individual differences

会议身份：conference:speechprosody:2026:conference-paper-id:shu26_speechprosody

✅ 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：#心理声学实验 #语言习得 #言语感知 #语音 #语音属性识别

评分：5.4/10 | 创新 1.2/2 | 技术严谨 1.2/1.5 | 实验充分 0.8/1.5 | 清晰度 0.7/1 | 影响力 0.7/1.5 | 开源 0.0/1.5 | 可复现 0.3/0.5 | 工程/实践 0.5/1.5

排名：后50% | 文档类型：应用研究

👥 作者与机构

• Yuqin Shu：机构信息未能从会议 PDF 纯文本可靠映射
• Mingxi Lu：机构信息未能从会议 PDF 纯文本可靠映射
• Gaode Zhang：机构信息未能从会议 PDF 纯文本可靠映射
• Ran Tao：机构信息未能从会议 PDF 纯文本可靠映射
• Gang Peng：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

本研究处理普通话母语者感知粤语6个松声调（unchecked tones）的跨语言声调习得问题，输入为多说话人自然粤语单音节音频，输出为六选一声调类别判定，难点在于粤语在音高高度乘音高斜率（pitch height × pitch slope）空间密集重叠而普通话4声相对离散。训练链条为三步：先听目标刺激并按键选择声调类别以建立听觉到标签的初始映射，再接受正确（蓝色注视点）或错误（红色注视点）信号并观看持续3秒的视觉反馈，视觉信息包含繁体汉字、英文词义、1至6声调编号与赵元任声调字母（Chao tone letters）；最后在无声音重放条件下依据视觉抽象特征回忆并修正内部范畴，该修正结果进入下一试次的感知决策。与以往训练中直接同步呈现音高曲线、手势或颜色的做法不同，本范式将视觉信息后置为反馈并强制心理复述，从而推动抽象范畴形成而非特定声学记忆。与训练前基线相比，30名北方普通话母语者在4天共576试次训练后显著提升，延迟一周后在训练说话人条件下的保持测试中音乐性（Musical Ear Test，MET）得分仍显著预测识别正确率，标准化回归系数为0.45。该结论仅适用于短期保持与实验室六选一识别任务，未验证自然对话理解或发音迁移，也未检验无反馈重复训练是否同样有效。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

为什么普通话人学粤语声调仍然难？

输入是这篇论文的完整正文与两张官方原图，目标是让刚进入语音与音乐声学领域的同学能够复述方法与条件，输出是 1 篇可核对的技术解读，必须保留的关键信息包括被试构成、刺激数量、训练试次安排、测试条件划分、认知能力测量方式与统计模型结论。本文不评价教学价值，只讲论文实际做了什么。

先把任务说清楚。普通话有 4 个声调，论文记为高平、升调、降升调与降调；粤语有 6 个舒声调，包括 3 个平调、两个升调与一个低降调。白话解释就是：同样一个音节，基频高度与走向不同，词义就不同。英文名是 lexical tone，声调即词义的组成部分。

对于初学者，一个常见误解是会说声调就一定容易学新声调。论文的起点恰好相反：即使母语有声调，新的声调系统仍可能很难，因为母语范畴会把外语调吸入已有类别，而目标系统的调在知觉空间中又靠得很近。

粤语的难点可以用声调空间来定位。声调空间指把每个调表示为音高高度与音高斜率的 2 维分布。普通话四声在这个空间中相对分开，粤语六声则更密集且部分重叠。举例来说，3 个平调主要差高度不差走向，两个升调斜率接近。对普通话人而言，这意味着不是听不见音高变化，而是难以把连续的音高映射到 6 个稳定的类别上。这就是母语迁移的作用：用旧的边界去切新的连续体，容易出现系统性混淆。

声调空间 × 母语迁移： 声调空间的分工是用音高高度乘以音高斜率来描述调与调之间的距离与重叠程度；母语迁移的分工是解释普通话经验如何塑造对新调的期待与混淆。搭配的原因是：普通话四声分布相对离散，粤语六声在该空间中更密集且部分重叠，单纯说粤语难不能定位难点，而把母语范畴叠加到声调空间上，就能说明为什么 3 个平调和两个升调特别容易被普通话人归并或混淆。

理解了这一点，就能明白训练为什么不能只是多听几遍。论文要解决的是范畴形成问题：学习者需要建立新的调类边界，并且在换说话人、隔一段时间后仍然可用。后文将沿着已有路线、方法全景、组件分工、训练流程、实验条件、结果与限制展开，每一步都回到原文证据。

同类研究用过哪些视觉帮助？本研究换了什么位置？

在声调学习文献中，视觉帮助有两类位置。第一类是训练时直接呈现视觉线索，例如真实基频曲线、静态或动态音高可视化、手势、数字甚至颜色。白话说就是边听边看，视觉与听觉同步出现。第二类是把视觉放在反馈阶段，也就是先听后选，答完再给视觉信息。论文回顾指出，前一类研究较多，后一类较少，而课堂与实验室研究都提示明确的纠正性反馈本身就能提升语音知觉学习。

同输入同目标的对照因此很清楚：输入都是非母语声调听辨，目标都是提高调类识别，监督都来自外部信息，但运行阶段不同。直接呈现范式把视觉当作同步支架，反馈范式把视觉当作试后纠错。本研究选择后者，明确在每次按键选择之后先给红蓝灯判断，再给 3 秒视觉信息，且该阶段不再重放声音，迫使学习者凭记忆对照符号。这种设计把注意从记住某个录音转向比较抽象特征。

另一条相关路线是个体差异。文献关注音乐能力、工作记忆与音高敏感性。英文分别是 musicality、working memory、pitch sensitivity。已有工作多报告总体即时学习结果，较少区分即时增益、新说话人泛化与延迟保持是否依赖不同的能力，也较少考察本身已有声调经验的 tonal language speakers。论文因此把 3 个认知能力同时纳入，并在 3 个阶段分别建模，这是它与以往非声调母语者研究的差别。

论文要回答的两个具体问题是什么？

论文提出两个研究问题。第一，带视觉反馈的训练能否提高普通话人的粤语声调知觉，如果能，能否泛化到新说话人并在一周后保持。第二，音高敏感性、工作记忆与音乐能力如何分别贡献于即时学习、泛化与保持。

这里的措辞需要准确理解。论文不是比较视觉反馈与无反馈，也不是比较视觉与听觉哪种更好。它评估的是一个整体教学方案的效果，方案同时包含重复知觉训练、明确讲解、对错判断与视觉符号呈现。作者在讨论中明确承认这一点，认为各成分都可能贡献了增益，本文只检验整体范式是否有效，成分分离留待后续对照。因此读者不能把结果读成视觉反馈单独优于其他反馈方式的证明。

第二个问题同样是阶段化的。论文不满足于报告谁学得快，而是问同一种能力在不同测试情境下是否稳定。这要求实验必须有训练说话人与新说话人的交叉，以及即时与延迟的交叉，后文的测试条件正是按这个逻辑组织的。

方法全景：一个试次经历了什么？

沿着一个训练样本走完全程最容易复述。假设当前试次的目标词是基于载体音节构成的粤语单音节词，由训练说话人中的女性或男性读出。学习者先听到声音，屏幕出现 6 个调类选项，用按键选择自己认为的声调。系统立即给出判断：蓝色注视点表示答对，红色注视点表示答错。随后进入 3 秒视觉反馈，屏幕显示该目标词的 4 个信息：繁体汉字、英文词义、1 到 6 的调类编号，以及赵元任声调字母。

白话解释声调字母就是用竖线表示音高总范围，用左侧短横表示起点与终点高度及走向的符号系统。关键是此时不再播放声音，学习者只能对照视觉符号回忆刚才的听感。每天完成两个说话人模块，男女顺序在被试间平衡，每个模块开始前先听该说话人的语境刺激以建立对其音域的印象。

测试试次与训练试次的区别在于没有反馈。学习者同样先听语境再听目标刺激，从 6 个选项中按键选择，没有对错提示，也没有 3 秒视觉呈现。测试按时间与说话人交叉为 4 个条件：即时测训练说话人、即时测新说话人、延迟测训练说话人、延迟测新说话人，外加训练前的基线前测。认知测量独立进行：数字广度正背与倒背测工作记忆，音乐耳朵测试测音乐能力，两纯音高低判断的自适应测验测音高敏感性。

这样组织的好处是学习依赖清晰：先有声音到按键的映射，再有对错到符号的纠错，再有用新说话人与延迟检验范畴稳固性的评估。下一节拆开每个组件的分工。

组件分工：声音、符号与判断各自负责什么？

声音组件负责提供范畴学习的输入变异。刺激来自 4 个载体音节与 6 个声调构成的 24 个单音节词，其中基于一个音节的 6 个词只作语境刺激，用于每模块开头呈现说话人音域，其余 18 个词作训练与测试目标。说话人共 4 位粤语母语者，2 男 2 女，其中 1 男 1 女作训练说话人，另 1 男 1 女作新说话人。训练用每个训练说话人的每个目标词选一个样本，测试在新说话人条件下每个词选 3 个样本以覆盖更多变异。这种安排让泛化检验真正涉及未听过的音色与发音细节。

符号组件负责把听觉差异翻译为可复核的类别标签。4 个视觉信息各有分工：汉字与英文词义锚定词项身份，数字锚定调类编号，声调字母锚定音高走向。训练前主试明确讲解每种线索的含义，且线索在屏幕上的位置按试次随机，避免位置记忆代替调类学习。

判断组件负责强化与纠错。蓝色与红色注视点是试后即时二值信号，正确时强化刚建立的映射，错误时提示需要修正。作者的解释是，这种纠正性反馈有助于塑造内部表征，而视觉独呈现阶段的回忆要求增加了认知努力，促使学习者关注抽象特征而非特定声学模板。

视觉线索 × 纠正性反馈： 视觉线索的分工是把抽象的音高特征外化为可看的符号，如汉字、调类数字和赵元任声调字母表示的起止高度与走向；纠正性反馈的分工是先判断对错，答对强化已有映射，答错触发纠错。两者搭配的理由是：只给线索容易变成被动对照，只给对错缺少纠错方向，而本研究把红蓝灯判断与 3 秒视觉信息呈现串起来，让学习者在回忆听觉痕迹的同时对照正确符号，从而把具体录音记忆转化为更抽象的调类表征。

需要指出一个未报告的缺项：论文没有记录学习者在 3 秒反馈阶段的眼动或注意分配，也没有报告按键反应时，因此无法从行为过程数据验证回忆努力机制，只能从泛化与保持的结果模式间接支持。

这算神经网络训练吗？人的训练流程如何组织？

本研究没有训练任何神经网络模型，也就没有参数冻结、梯度路径或权重更新可报告。该节的训练指人的知觉训练流程，必须按时间与试次讲清。

整个实验跨两周，分为前测、4 天训练与后测系列。4 天训练在一周内完成，每天 144 个训练试次，由 18 个目标词乘以每个词一个录音样本乘以 4 次重复乘以 2 个说话人模块构成，共 576 个训练试次，每次约 20 到 25 分钟。测试任务每次 108 试次，训练说话人条件为 18 词乘以 3 次重复乘以 2 人，新说话人条件为 18 词乘以每词 3 个不同录音样本乘以 1 次重复乘以 2 人，每次约 10 分钟。所有环节在隔音室戴耳机完成。

泛化 × 保持： 泛化的分工是检验学到的是说话人无关的调类，还是只记住训练音色的模板，做法是用未训练的新说话人测试；保持的分工是检验学习是否只是短暂的练习效应，做法是间隔一周再测熟悉与新说话人。两者搭配才能判断范畴是否稳固：只有既能换人又能隔周维持，才能说形成了可迁移的语音范畴，否则可能只是对特定录音的熟悉。

从学习机制看，重复是必要的暴露量，讲解是明确的类别先验，反馈是监督信号，视觉符号是纠错内容。四者打包出现意味着无法归因到单一因素。复现时必须整体复制这四项，不能只复制其中一项就期待相同效果。

被试、刺激与统计如何保证可比？

被试条件需要逐项核对。30 名普通话母语者，男女各 15 人，年龄 18 到 29 岁，均为香港理工大学学生，出生并成长于中国北方，自报无粤语知识，听力与视力正常，无言语语言障碍，均为右利手，无语言学或心理学背景。居住时长方面，25 人来港不超过 3 个月，5 人 6 个月到一年。伦理经学校伦理委员会批准并签署知情同意。这些细节决定了结果适用于初接触粤语环境的北方官话成人，不能直接推广到长期暴露者或儿童。

刺激采样在上文已述，这里补充测试逻辑。前测只用训练说话人还是同时用新说话人，原文未单独列出前测说话人构成，但后测 4 条件明确覆盖训练与新说话人乘以即时与延迟。认知分数处理为：工作记忆取正背与倒背广度的标准化平均，音高敏感性取最小可辨频率差的倒数再标准化，音乐能力取音乐耳朵测试分数再标准化。

统计用广义线性混合效应模型，英文为 generalized linear mixed-effects models，因变量为每试次对错，固定效应包括测试条件、声调及其交互或时间与认知分数的交互，随机效应包括被试与条目的随机截距及条目上声调的随机斜率等，初始用最大随机结构再按似然比检验简化以收敛。分析工具为 R 与 lme4 包。

下面这张图是理解刺激难度的关键，它把所有录音样本画在音高高度与斜率平面上。读图前先明确：每个点是一个录音样本，颜色与符号代表调类，分面代表说话人，横轴是音高斜率，纵轴按五度制表示音高高度。

看图路径： 1. 先确认四个分面分别对应训练女声、训练男声、新女声、新男声；2. 再看横轴音高斜率与纵轴音高高度构成的散点如何按颜色与符号分簇；3. 比较训练说话人与新说话人在平调与升调区域的重叠与离散程度；4. 注意低降调与其他调在新说话人条件下的相对位置变化

论文图 1。原论文 Figure 1：“Tone chart for all stimuli. Pitch slope (x-”。

这张声调图的教学价值在于直观显示密集与重叠。训练说话人的样本较少，点较稀疏，新说话人每个词有 3 个样本，点更密集。可以看到平调集中在斜率接近零的中部但高度分层，升调偏向右侧正斜率区，低降调偏向左侧负斜率区，而不同说话人的绝对位置有偏移。这解释了为什么换说话人需要抽象范畴而非记住绝对音高，也为后文除个别调外总体泛化成功的结论提供了声学背景。资源状态方面，本次未发现来源绑定且完成验证的代码或数据资源，因此不得声称代码模型或数据已公开。

主结果：哪些调提高了？换人隔周还成立吗？

总体正确率模式是前测低、4 个后测高。模型报告测试主效应、声调主效应与两者交互均显著，说明训练后显著提高，但提高幅度因调而异。具体到调，论文报告除高平调外所有调从前测到 4 个后测条件均显著提高；高平调只在前测到即时与延迟的训练说话人条件下显著提高，到新说话人条件不显著，作者解释为其基线已较高。泛化与保持方面，除低降调外所有调在 4 个后测条件之间无显著差异，表明成功泛化到新说话人并保持一周；低降调在时间上保持稳定，但新说话人正确率甚至高于训练说话人，从训练说话人到新说话人的即时比较差异显著。

下表整理了实验规模，便于复现时核对试次量与人员配比。读表问题是：训练暴露量与测试量是否足以支撑泛化结论。公平条件是训练与测试说话人严格不重叠，且新说话人测试用了更多录音样本。指标方向是试次越多，对偶然高分的解释越弱。

上表显示训练量与测试量是对称设计的，训练总量 576 试次分布在 4 天，每天约 20 到 25 分钟，测试每次 108 试次约 10 分钟。这种中等强度多日安排是结果可解释的前提：若只训练几十试次，泛化结论将不可比。代价是本设计没有无训练对照组，严格说提高可能包含重测熟悉效应，但新说话人与延迟条件的稳定性至少说明不是对特定录音的短暂记忆。未胜出项是高平调在新说话人条件下未显著高于前测，这提醒总体趋势不等于每调都泛化。

下表用原文报告的模型统计呈现主效应与个体差异的即时增益证据。比较问题是训练效应是否存在以及谁获益更多。指标方向是正确率越高越好，回归系数为正表示该能力越高后测提升越大。

表后解释需要区分直接报告与有限解释。论文直接报告的是上述显著性与系数，支持的判断是训练后识别率提高且因调而异，音乐能力与工作记忆调节即时增益。代价是这些系数来自同一整体方案，不能拆分为视觉或反馈的净效应。反例是音高敏感性在即时模型中作用有限，只在讨论中提及边缘效应，说明基本纯音辨别阈值不能很好预测言语调学习。

音乐能力 × 工作记忆： 音乐能力的分工是支持精细音高编码与视听关联，表现为对旋律异同更敏感；工作记忆的分工是在训练当下同时维持听觉输入、视觉符号与内部假设。搭配的意义在于区分学习的不同阶段需求：工作记忆在需要频繁整合与建构范畴的初期作用更大，一旦表征稳定其预测力下降，而音乐能力在编码、泛化与保持各阶段都持续预测成绩，说明一种更偏知觉特长的能力具有跨阶段的迁移性。

结果曲线的细节还需要看图。上方面板显示前测柱明显低于后测四柱，后测四柱高度接近，误差线为标准差；下方面板按调拆分，橙色菱形为均值，箱线显示分布。可以看到前测除高平调外普遍偏低，后测各调中位数与均值大幅上移，且训练与新说话人两行形态接近，只有低降调在新说话人行更高。读图时不能把某调箱线较宽直接读成训练失败，宽度反映个体差异，而均值上移才是学习证据。

看图路径： 1. 先看上方面板五个测试条件的平均正确率柱高与误差线；2. 再看下方面板按粤语六声拆分的箱线图与橙色菱形均值点；3. 对比训练说话人与新说话人两行在各调上的高度差异；4. 重点观察低降调在新说话人条件下是否反而更高

论文图 2。原论文 Figure 2：“(a) Overall mean accuracy in the tone identification task across different test sessions. Error”。

这张图同时回答了泛化与保持。后测四柱之间没有大幅回落，延迟条件并未坍塌，说明一周保持成立；训练与新说话人条件差距不大，说明泛化总体成立。需要保留的边界是：纵轴是平均正确率百分比，越高越好，不能把误差线重叠直接等同于无差异，正式结论依赖混合模型的事后比较，而非肉眼比较柱高。

没有对照组时还能学到什么？认知预测的分化

本研究没有传统意义上的消融对照，例如去掉视觉反馈或去掉讲解的对比组，因此不能做成分剔除推理。但论文用个体差异建模实现了另一种对照：同一训练下不同能力者的分化。

泛化模型以说话人熟悉度为固定效应，报告音乐能力主效应显著，系数为 0.34，表明音乐能力高者在训练与新说话人条件下总体更好，而工作记忆与音高敏感性主效应不显著，工作记忆与说话人的交互为负但仅边缘显著。这支持音乐能力的跨说话人稳定性，而工作记忆在面对新音色变异时帮助减弱。保持模型比较即时与延迟的训练说话人成绩，报告音乐能力主效应显著，系数为 0.32，且简单斜率显示即时与延迟均显著预测，延迟系数更大；工作记忆与时间的交互为负，系数为负 0.20，预测力随时间减弱；音高敏感性仍不显著。

下表聚焦泛化与保持的预测分化，便于对比谁稳定谁衰减。

表前问题是：哪种能力带来可迁移的长期优势。公平条件是同一模型同时纳入 3 种能力并控制被试与条目随机效应。指标方向同上。表后解释是：主要收益来自音乐能力，它在即时、泛化与保持 3 阶段一致预测成功，且延迟关联更强；具体代价是工作记忆的初期优势不能维持，音高敏感性几乎无预测力。

未胜出项正是音高敏感性，这与部分非声调母语者文献不同，作者提出两种可能解释：纯音测验测的是非言语加工，与言语调加工分离；普通话人已有自动化声调加工，基础音高阈值不再是瓶颈。但这些属于待验证的解释，不能读成定论。

哪些结论不能下？边界与缺项清单

第一个边界是整体方案的归因限制。论文明确说效果应理解为整合教学方法的结果，包括视觉信息、纠正反馈、重复训练与明确讲解，每部分都可能贡献了增益。没有无反馈组、无视觉组或仅听觉组的对照，就不能说视觉反馈优于听觉反馈，也不能说 3 秒视觉独呈现是关键。复现时若改动任一成分，都属于新条件。

第二个边界是样本与生态效度。被试为初到香港的北方官话成人，无语言学背景，训练词仅 18 个目标词加语境词，载体音节只有 4 个，测试为六选一辨认而非自然语流理解或产出。因此结论限于受控的单音节辨认任务，不能推广到连续语音理解、声调产出或长期自然习得。

第 3 个缺项是过程与成本数据。论文未报告反应时、误判矩阵细节、训练曲线逐日变化、硬件型号与声压校准，也未测量延迟、计算开销或主观负荷。训练资源仅能从试次与时长推算总量，不能评估效率。把本方案描述为高效时，必须限定为在辨认正确率与一周保持意义上的有效，而非省时或低负荷。

第 4 个是统计解读的谨慎。百分点提升与相对百分比不同，论文报告的是正确率与模型系数，不能换算成提高了百分之几而不说明基线。不同调的差值不能混入模型列下比较，自动声学指标也不能当作人评。原文未给出完整均值表，像素也无法精确读数，因此本文不硬写各调的具体百分比，只转述显著性方向。

要复现这个实验，先准备什么？

先准备人员与伦理。招募 30 名左右无粤语知识的北方官话成人，记录年龄、性别、来港时长、听力视力与语言背景，排除语言学心理学背景以减少策略差异，取得伦理批准与知情同意。

再准备刺激。找 4 位粤语母语者，2 男 2 女，每人将 24 个单音节词各读 10 遍，在隔音室录制。选定载体音节与目标词划分，语境词只用于每模块开头建立音域印象。训练用 2 位训练说话人每词选一个样本，新说话人测试用另 2 位每词选 3 个样本。绘制音高高度与斜率散点核对调类分布是否密集重叠，若分布过于离散则样本选择可能偏易。

然后搭建流程。训练 4 天共 576 试次，每天两个说话人模块并平衡顺序，每试次听音加六选一按键加红蓝判断加 3 秒 4 类视觉反馈，反馈期不重放声音，线索位置随机，训前讲解声调字母含义。测试用六选一无反馈，每次 108 试次，条件为前测加即时与延迟乘以训练与新说话人。认知测量包括数字广度正倒背、音乐耳朵测试的异同判断、自适应纯音高低判断，分数按原文标准化方式处理。统计用广义混合模型，被试与条目作随机截距，必要时加随机斜率，先最大后简化。

还需补的验证是成分对照。若要回答视觉反馈是否必要，应增设仅对错无视觉组、仅视觉无对错组与同步视听组，并控制总时长与暴露量一致，否则无法分离注意与信息量的影响。

何时值得尝试这种视觉反馈？一句话收束

当学习者已有声调意识但新系统范畴过密，且错误主要来自归类而非听不见时，这种试后视觉反馈值得尝试，因为它把纠错方向外化为可复核的符号，又通过不重放声音迫使回忆对照，有助于形成换人可用的抽象映射。

回到两个问题。论文报告训练后六调辨认提高，泛化到新说话人并保持一周，但高平调因基线高而泛化增益不显著，低降调出现新说话人反而更高的例外。个体差异方面，音乐能力在 3 阶段稳定预测且延迟更强，工作记忆只支持初期增益，音高敏感性总体有限。这些是直接报告；把机制归于回忆努力或视听整合属于有限解释；把效果归于某一成分则属于未验证推测。

对初学者而言，复述时抓住 3 组数字即可：30 人 4 天 576 试次的训练量，108 试次每次的测试量，以及混合模型中测试、声调与交互的显著性方向。抓住 2 个条件即可判断范畴是否形成：换新说话人是否维持，隔一周是否维持。若两者都成立，再谈学习成功，否则只是记住了特定录音。

📐 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 15 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 speechprosody-2026 论文汇总