端到端

📄 A Speech-Driven Paradigm for Physics-Informed Modeling of Coupled Micro-Speakers #信号处理 #音频生成 #端到端 #声源定位 ✅ 7.0/10 | 前50% | #音频生成 | #信号处理 | #端到端 #声源定位 学术质量 5.0/7 | 选题价值 1.5/2 | 复现加成 -0.5 | 置信度 高 👥 作者与机构 第一作者：Chen Huang†（重庆邮电大学通信与信息工程学院） 通讯作者：Liming Shi†,⋆（重庆邮电大学通信与信息工程学院） 作者列表：Chen Huang†（重庆邮电大学通信与信息工程学院）、Chen Gong†（重庆邮电大学通信与信息工程学院）、Lei Zhou†（重庆邮电大学通信与信息工程学院）、Guoliang Wu†（重庆邮电大学通信与信息工程学院）、Hongqing Liu†（重庆邮电大学通信与信息工程学院）、Lu Gan‡（Brunel University College of Engineering, Design and Physical Science）、Liming Shi†（重庆邮电大学通信与信息工程学院） 💡 毒舌点评 论文的亮点在于其“范式转变”的提出——用真实语音而非工程信号进行系统辨识，并为此设计了一个物理启发式的紧凑神经网络（HPNN），在参数量和计算量远小于WaveNet的情况下达到了接近的性能，展现了“小而美”的工程优化价值。然而，短板也显而易见：作为一篇强调“生态效度”和“复现”的工作，论文完全未提供任何代码、模型权重或数据集，其实验结论对于第三方复现而言犹如空中楼阁，大大削弱了其作为“新范式”证明的说服力。 📌 核心摘要 问题：智能手机中的共腔多微扬声器系统存在复杂的非线性失真和声学耦合，传统的线性系统辨识方法（如正弦扫频）无法准确建模，影响了声音场控制等下游应用的性能。 方法核心：提出一种以真实语音为激励源、基于物理信息的系统辨识新范式。核心是设计了一个“混合多项式神经网络”（HPNN），其架构直接映射自扬声器阵列的物理拓扑：对线性响应的扬声器使用单层卷积，对非线性强的扬声器引入并行多项式卷积与激活，并通过一个全连接混合层联合建模多个扬声器的响应与耦合。 与已有方法相比新在哪里：摒弃了传统的扫频激励信号，改用更符合实际使用场景、频谱更丰富的语音信号进行激励和训练，以期更全面地激发系统非线性。模型架构上，HPNN是专为该多扬声器耦合问题定制的“灰盒”模型，兼具可解释性（物理结构指导）和数据拟合能力，在效率和参数规模上显著优于通用黑盒模型（如WaveNet）。 主要实验结果：在消声室原型阵列上，HPNN的时间域归一化均方误差（NMSE）达到-11.35 dB，与WaveNet（-11.28 dB）性能相当，但参数量仅为117.62K（WaveNet为1.02M），内存占用和计算量（MACs）也大幅降低。在频率域（200-4000Hz），HPNN在多个频段的表现优于线性FIR模型和Volterra神经网络（VNN），接近WaveNet。具体数据见下表。 模型 LSK1 (dB) LSK2 (dB) LSK3 (dB) LSK4 (dB) All (dB) HPNN -13.92 -16.25 -17.54 -8.13 -11.35 WaveNet -13.91 -17.03 -18.25 -8.15 -11.28 VNN -11.39 -12.25 -12.40 -7.32 -9.37 FIR -11.45 -11.47 -12.51 -5.83 -6.27 实际意义：为复杂非线性音频系统（如多扬声器设备）提供了一种更高效、更贴近实际工况的建模范式与模型设计思路，有望加速移动设备等资源受限环境下的音频系统开发与调试。 主要局限性：研究仅在特定原型阵列和消声室环境下验证，其泛化能力未知；未公开代码、数据与模型，可复现性差；作为“新范式”的证明，缺乏与更多传统或先进方法的广泛对比。 🏗️ 模型架构 论文提出的混合多项式神经网络（HPNN）架构如图1所示，其设计紧密贴合所研究的四扬声器（LSK1-LSK4）智能手机物理系统。 ...

📄 Adapting Diarization-Conditioned Whisper for End-to-End Multi-Talker Speech Recognition #语音识别 #语音大模型 #端到端 #说话人分离 #说话人日志 ✅ 7.5/10 | 前25% | #语音识别 | #端到端 | #语音大模型 #说话人分离 学术质量 6.0/7 | 选题价值 1.5/2 | 复现加成 0.8 | 置信度 高 👥 作者与机构 第一作者：Martin Kocour（Brno University of Technology, Speech@FIT; Filevine, USA） 通讯作者：未说明 作者列表：Martin Kocour（Speech@FIT, Brno University of Technology; Filevine）， Martin Karafiat（Speech@FIT, Brno University of Technology）， Alexander Polok（Speech@FIT, Brno University of Technology）， Dominik Klement（Speech@FIT, Brno University of Technology）， Lukáš Burget（Speech@FIT, Brno University of Technology）， Jan Černocký（Speech@FIT, Brno University of Technology） 注：所有作者均隶属于Speech@FIT实验室，来自布尔诺理工大学。Martin Kocour同时有Filevine机构隶属。 💡 毒舌点评 这篇工作巧妙地将DiCoW的“分而治之”策略与SOT的“统一步调”理念结合，在完全重叠的合成场景（如Libri3Mix）中取得了显著优势，显示了全局上下文建模的潜力。然而，在复杂的真实会议场景中，其联合解码方式反而被单独解码的基线超越，这暴露出当前架构在处理高度动态和嘈杂的真实对话时，对说话人追踪和上下文利用的鲁棒性仍有不足，算是一个“实验室优等生在真实考试中略显水土不服”的典型案例。 ...

📄 Advancing LLM-Based Multi-Channel Multi-Speaker Speech Recognition with Global Cross-Channel Attention and Sentence-Ordered First-In First-Out Serialized Output Training #语音识别 #语音大模型 #多通道 #预训练 #端到端 ✅ 7.5/10 | 前25% | #语音识别 | #语音大模型 | #多通道 #预训练 学术质量 6.5/7 | 选题价值 1.5/2 | 复现加成 -0.5 | 置信度 中 👥 作者与机构 第一作者：Genshun Wan（中国科学技术大学 & 科大讯飞研究院） 通讯作者：Jia Pan（科大讯飞研究院） 作者列表：Genshun Wan (中国科学技术大学 & 科大讯飞研究院)，Lijuan Liu (中国科学技术大学 & 科大讯飞研究院)，Changfeng Xi (科大讯飞研究院)，Hang Chen (中国科学技术大学)，Xindi Yu (科大讯飞研究院)，Jia Pan (科大讯飞研究院)，Jun Du (中国科学技术大学)，Zhongfu Ye (中国科学技术大学) 💡 毒舌点评 亮点： 论文首次将大语言模型（LLM）系统性地引入多通道多说话人语音识别，并针对该任务的独特性（如说话人顺序、多通道输入）设计了“句子有序FIFO SOT”和“全局跨通道注意力（GCCA）”两个关键组件，实现了从基线到最终系统CER超过55%（重叠）的大幅性能飞跃。 短板： 整个评估完全基于未公开的内部会议数据集，缺乏在学术界公认的公开多通道基准上的验证，这使得其宣称的“强泛化性”说服力大打折扣，也让其他研究者难以复现和比较，显著降低了论文的公共价值。 ...

📄 ALMA-Chor: Leveraging Audio-Lyric Alignment with Mamba for Chorus Detection #音乐信息检索 #多模态模型 #对比学习 #Mamba #端到端 ✅ 7.0/10 | 前25% | #音乐信息检索 | #多模态模型 | #对比学习 #Mamba 学术质量 6.5/7 | 选题价值 2.0/2 | 复现加成 -0.5 | 置信度 中 👥 作者与机构 第一作者：Ruixi Bao（清华大学电子工程系， TeleAI 研究院） 通讯作者：Xiao-Lei Zhang†（TeleAI 研究院）， Xuelong Li†（TeleAI 研究院） 作者列表：Ruixi Bao（清华大学电子工程系， TeleAI 研究院）， Hao Ma（TeleAI 研究院）， Shansong Liu†（TeleAI 研究院）， Cheng Gong（TeleAI 研究院）， Chi Zhang（TeleAI 研究院）， Xiao-Lei Zhang†（TeleAI 研究院）， Wei-Qiang Zhang（清华大学电子工程系）， Xuelong Li†（TeleAI 研究院） 💡 毒舌点评 论文巧妙地将音乐基础模型MERT与前沿的Mamba2架构结合用于长序列副歌检测，并创新性地融入歌词模态信息，在自有数据集上取得了亮眼的性能提升，展现了多模态建模的有效性。然而，其核心验证建立在一个未公开的“内部数据集”上，这使得“超越SOTA”的声明大打折扣，也让其他研究者难以复现和公平评判。 ...

📄 An End-to-End Multimodal System for Subtitle Recognition and Chinese-Japanese Translation in Short Dramas #多模态模型 #端到端 #语音识别 #机器翻译 ✅ 7.0/10 | 前50% | #多模态模型 | #端到端 | #语音识别 #机器翻译 学术质量 5.0/7 | 选题价值 1.5/2 | 复现加成 0.3 | 置信度 中 👥 作者与机构 第一作者：Jing An (北京第二外国语学院人工智能与语言科学学院) 通讯作者：Yanbing Bai (中国人民大学统计学院应用统计研究中心) 作者列表：Jing An (北京第二外国语学院人工智能与语言科学学院)、Haofei Chang (中国人民大学信息学院)、Rui-Yang Ju (京都大学信息学研究生院)、Jinhua Su (中国人民大学统计学院应用统计中心 & Simashuhui Ltd.)、Yanbing Bai (中国人民大学统计学院应用统计研究中心)、Xin Qu (北京第二外国语学院人工智能与语言科学学院) 💡 毒舌点评 亮点：系统设计思路清晰务实，将OCR和ASR两条路径的结果通过简单有效的融合策略进行互补，直接解决了短剧字幕识别中“文字准”与“时间准”难以兼得的痛点。 短板：论文最大的弱点在于“端到端”的宣称与实验的割裂——虽然架构图展示了从视频到日语字幕的流水线，但实验部分的“识别”和“翻译”模块是分开评估的，缺乏对整个系统在端到端指标上的验证；同时，构建的翻译数据集规模极小（仅79集短剧），其泛化能力存疑。 📌 核心摘要 本文针对中国短剧出海所面临的字幕识别与中日翻译难题，提出了一个端到端的多模态系统。问题核心在于短剧字幕具有口语化、无标点、片段化、上下文缺失等特殊性，且识别过程需同时应对复杂画面和背景噪音。方法核心是采用双通道并行识别：视觉通道使用Qwen2-VL进行OCR提取帧内文字，音频通道使用Whisper进行ASR转写，并设计了一种基于时间对齐和文本相似度的融合策略来选择最优结果。随后，通过LoRA微调Qwen2.5模型，在自建的短剧数据集上进行中日翻译。与已有方法相比，该系统的新颖之处在于其多模态融合策略能有效结合OCR的高精度专有名词识别与ASR的流畅性和精准时间戳，同时采用了将整集字幕作为整体输入LLM进行翻译的策略，以保留上下文。主要实验结果显示，融合策略在字幕识别任务上（表1）优于单独的Qwen2-VL和Whisper（CER从0.2984/0.2491降至0.1598）；微调后的翻译模型（表2）在chrF++和COMET指标上也优于零样本Qwen2.5基线。该工作的实际意义在于为短剧这一新兴内容的本地化提供了一套可落地的技术方案。其主要局限性在于翻译数据集规模较小，且系统各模块（识别、融合、翻译）是独立评估，未对完整端到端流程进行一体化性能测试与优化。 ...

📄 An Envelope Separation Aided Multi-Task Learning Model for Blind Source Counting and Localization #声源定位 #多任务学习 #麦克风阵列 #端到端 ✅ 6.5/10 | 前25% | #声源定位 | #多任务学习 | #麦克风阵列 #端到端 学术质量 5.5/7 | 选题价值 1.0/2 | 复现加成 0.0 | 置信度 高 👥 作者与机构 第一作者：Jiaqi Du（北京大学智能科学与技术学院，通用人工智能国家重点实验室） 通讯作者：Tianshu Qu（北京大学智能科学与技术学院，通用人工智能国家重点实验室，邮箱：qutianshu@pku.edu.cn） 作者列表：Jiaqi Du（北京大学智能科学与技术学院，通用人工智能国家重点实验室）、Donghang Wu（北京大学智能科学与技术学院，通用人工智能国家重点实验室）、Xihong Wu（北京大学智能科学与技术学院，通用人工智能国家重点实验室）、Tianshu Qu（北京大学智能科学与技术学院，通用人工智能国家重点实验室） 💡 毒舌点评 亮点在于将人耳听觉系统中“时空信息协同”的认知神经科学启发融入模型设计，通过一个可学习的门控机制动态平衡包络（时间）和坐标（空间）信息，这种“生理启发式设计”让模型动机显得很有说服力。短板是整体框架更像是把已有的吸引子网络、多任务学习和PIT进行工程化组合，缺乏更底层的理论突破；此外，所有实验都在精心控制的模拟数据集上完成，对真实世界中复杂声学环境（如非平稳噪声、遮挡）的鲁棒性验证不足，略显“温室里的花朵”。 📌 核心摘要 问题：在声源数量未知或可变的条件下，实现准确的盲源计数与定位（SSL）是一个挑战。现有方法或受限于固定输出维度，或因独立处理包络分离与定位任务而未能充分利用时空信息的相互增益。 方法：提出一种包络分离辅助的多任务学习模型。该模型包含三个模块：1）声学特征提取模块，编码一阶环绕声信号；2）自适应吸引子模块，动态生成吸引子向量来估计声源数量；3）多任务学习模块，通过一个可学习的门控机制，联合优化包络分离与3D坐标回归任务，并使用排列不变训练解决输出顺序歧义。 创新：与现有顺序处理（先分离后定位）或独立优化任务的方法相比，该模型通过多任务学习框架实现了包络分离与方向预测的协同优化，利用包络信息作为辅助线索来增强定位精度。 结果：在基于FSD50K和模拟房间脉冲响应生成的测试集上，该方法在盲源计数准确率（平均93.4%，相比基线SEET的88.0%）和定位误差（方位角误差10.59°，仰角误差6.74°，距离误差0.64m，相对距离误差22.08%）上均优于现有基线方法（EINV2, Sp-ACCDOA, SEET）。消融实验证明了包络分离辅助模块的有效性。 意义：提供了一种处理未知声源数定位问题的统一框架，其时空信息协同优化的思路可能对其他多任务音频处理任务有借鉴意义。 局限性：1）所有实验在模拟数据上进行，泛化能力未知；2）模型复杂度及计算开销未分析；3）多任务学习权重λ需要手动设置。 🏗️ 模型架构 如图1所示，模型整体框架由三个串行模块构成： ...

📄 Audio Deepfake Detection at the First Greeting: “Hi!” #音频深度伪造检测 #时频分析 #端到端 #鲁棒性 #实时处理 ✅ 7.5/10 | 前25% | #音频深度伪造检测 | #时频分析 | #端到端 #鲁棒性 学术质量 5.5/7 | 选题价值 1.5/2 | 复现加成 0.5 | 置信度 高 👥 作者与机构 第一作者：Haohan Shi（拉夫堡大学伦敦分校数字技术研究所） 通讯作者：Yunxiao Zhang（埃克塞特大学计算机科学系） 作者列表：Haohan Shi（拉夫堡大学伦敦分校数字技术研究所）、Xiyu Shi（拉夫堡大学伦敦分校数字技术研究所）、Safak Dogan（拉夫堡大学伦敦分校数字技术研究所）、Tianjin Huang（埃克塞特大学计算机科学系）、Yunxiao Zhang（埃克塞特大学计算机科学系） 💡 毒舌点评 这篇论文精准地切入了音频伪造检测中一个极具现实意义的细分场景——“第一句话”检测，并为此设计了针对性的轻量化框架，实验对比充分且结果显著，工程化考量（效率、部署）也值得肯定。不过，其核心模块（PCEM， FCEM）的命名虽显“豪华”，但内部算子（如卷积、池化、GELU）的组合更像是一个精心调优的“乐高”拼装，原创的理论洞察稍显薄弱，更像是一个扎实的工程优化案例。 📌 核心摘要 本文旨在解决在真实世界通信降质（如编解码、丢包）条件下，对超短音频（0.5-2秒）进行深度伪造检测的挑战，典型场景是通话开头的“Hi”。作者提出了S-MGAA框架，这是对MGAA的轻量化扩展。其核心方法包括两个新模块：像素-通道增强模块（PCEM）和频率补偿增强模块（FCEM），前者从时频像素和通道维度增强伪造线索的显著性，后者通过多尺度频率分析来补偿时间信息的不足。与已有方法相比，本文首次联合关注了超短输入和通信降质鲁棒性两个方面，并设计了轻量高效的模型。主要实验结果表明：在ADD-C测试集上，S-MGAA-MFCC在0.5秒输入下的平均等错误率（EER）为3.44%，相比次优基线（RawGAT-ST）的4.52%降低了23.89%；在所有时长和降质条件下均取得最优或次优性能；同时，模型在实时因子（RTF）、浮点运算量（GFLOPs）和训练时间上展现出显著优势。该研究为实时部署在资源受限设备（如智能手机）上的早期语音欺骗检测提供了可行方案。主要局限性在于，实验评估均在合成降质数据集上进行，未在真实部署的实时通信系统中验证其端到端性能。 实验结果表格（Table 1）： 模型 0.5s Avg. EER (%) 1.0s Avg. EER (%) 1.5s Avg. EER (%) 2.0s Avg. EER (%) MGAA-MFCC 5.44 2.88 1.70 0.99 RawGAT-ST 4.52 2.74 1.75 1.02 S-MGAA-MFCC 3.44 1.50 0.75 0.36 实验结果表格（Table 2）： ...

📄 Audio-to-Score Jazz Solo Transcription with the Rhythm Perceiver #音乐信息检索 #爵士乐 #音频转录 #端到端 #节奏感知 ✅ 7.5/10 | 前25% | #音乐信息检索 | #端到端 | #爵士乐 #音频转录 学术质量 6.0/7 | 选题价值 1.5/2 | 复现加成 0.3 | 置信度 中 👥 作者与机构 第一作者：未说明（论文标题页列出三位作者，但未明确标注第一作者） 通讯作者：未说明 作者列表：Ivan Shanin（Queen Mary University of London, Centre for Digital Music）， Xavier Riley（Sound Patrol Inc.）， Simon Dixon（Queen Mary University of London, Centre for Digital Music） 💡 毒舌点评 论文巧妙地将爵士乐转录问题拆解为“节奏优先，音高后补”的二阶段任务，并用一个统一的Transformer架构优雅地实现，这确实是模仿人类专家工作流程的聪明做法，在特定数据集上也取得了显著进步。然而，这种高度垂直的“爵士萨克斯独奏”任务定位，加上对高质量标注数据（如Omnibook）的强依赖，使其通用性和影响力打了个折扣；论文里对模型为何能有效泛化到节奏风格更复杂的帕克作品解释得也不够深入。 📌 核心摘要 这篇论文旨在解决即兴爵士独奏的音频到乐谱自动转录任务，特别是克服传统模块化流水线中错误累积的问题。其核心方法是提出一个名为“节奏感知器”（Rhythm Perceiver）的端到端神经网络模型。与先前方法不同，它逆向了处理逻辑：首先，模型预测每个小节中每个拍子的节奏结构（称为“节拍特征”），然后基于预测的节奏结构，在指定的起始点预测音高。模型采用了一种带有跨注意力机制的感知器（Perceiver）风格Transformer架构，将音频帧特征与节拍同步的节奏嵌入进行联合对齐。主要实验结果在极具挑战性的Charlie Parker“Omnibook”数据集上显示，该方法在多项指标上（如钢琴卷帘准确率、节奏准确率）显著优于现有的基线系统（CRNN+qparse），证明了显式建模节拍级节奏单元的有效性。其实际意义在于能为音乐分析和教育提供更准确的乐谱标注工具。主要局限性在于模型针对主流爵士乐节奏范式（如Bebop）进行训练，可能难以完美处理更复杂或前卫的节奏风格，且存在训练数据（Filosax）与测试数据（Omnibook）之间的领域差距。 ...

📄 Auditory-Inspired Transformer for Binaural Speech Enhancement and Spatial Cue Preservation #语音增强 #端到端 #空间音频 #多通道 ✅ 7.0/10 | 前25% | #语音增强 | #端到端 | #空间音频 #多通道 学术质量 5.5/7 | 选题价值 1.5/2 | 复现加成 0.0 | 置信度 高 👥 作者与机构 第一作者：Sirawitch Laichatkul（朱拉隆功大学计算机工程系） 通讯作者：未说明 作者列表：Sirawitch Laichatkul（朱拉隆功大学计算机工程系）、Waradon Phokhinanan（巴黎高等师范学校感知系统实验室）、Thanapat Trachu（朱拉隆功大学计算机工程系）、Ekapol Chuangsuwanich（朱拉隆功大学计算机工程系） 💡 毒舌点评 这篇论文最大的亮点在于将听觉皮层的频率选择性（tonotopy）和自上而下注意力这一神经科学概念，成功地转化为了一个有效的计算模块（修改的ViT编码器和频率受限注意力掩码），为解决双耳增强中的空间线索失真问题提供了一个新颖且合理的切入点。但短板同样明显：模型对最具挑战性的相位线索（IPD）保持效果提升有限（∆IPD仅从1.12/1.13微降至1.09），实验仅基于合成数据，其在真实复杂声学环境下的表现和泛化能力有待验证，且缺乏开源代码，让这份“灵感”稍显难以触摸。 📌 核心摘要 问题：双耳语音增强不仅要在频谱上抑制噪声，更关键的是要保持双耳线索（如耳间时间差ITD和耳间强度差ILD），否则会破坏空间听觉，影响助听器和增强现实等应用效果。现有方法在这一挑战上表现不足。 方法：提出了BinauralViT，一个受听觉神经科学启发的Transformer架构。其核心是引入两个听觉启发层：一个能实现“自上而下”注意力的频率选择性表示层（通过修改ViT编码器和添加频率注意力掩码实现），以及一个用于捕捉时序连贯性的语音处理层。 创新：与已有方法相比，新在：1）受皮层频率拓扑组织启发，设计了允许同一时间帧内频率间注意力但限制跨帧注意力的机制；2）提出了一种双层Transformer结构，第一层进行特征选择与融合，第二层建模时序依赖以保持空间线索。 结果：在合成的非平稳噪声数据集上，BinauralViT在PESQ（2.78 vs 2.54/2.30）、SI-SNR（17.43 vs 16.92/15.30）上优于BiTasNet和BCCTN基线，并在ILD保持（∆ILD 4.20 vs 6.03/5.85）上显著提升，IPD保持（∆IPD 1.09 vs 1.13/1.12）略有改善。MBSTOI（~0.98）在所有模型中已接近饱和。消融实验验证了修改ViT编码器、第二层编码器及IPD/ILD特征的必要性。 意义：为双耳语音处理提供了一种新的、受生物启发的模型设计思路，证明了模拟听觉机制对提升空间线索保持能力的有效性，对助听技术发展有积极参考价值。 局限：实验在模拟数据上进行，可能无法完全反映真实场景的复杂性；对IPD的提升幅度有限；模型计算复杂度和实时性未作讨论。 🏗️ 模型架构 BinauralViT的完整架构如图1所示，是一个端到端的双耳语音增强模型，其目标是从带噪的双耳语音信号中估计出相位敏感掩码（PSM），进而重构出干净语音。整体流程可分为四个主要阶段： ...

📄 CALM: Joint Contextual Acoustic-Linguistic Modeling for Personalization of Multi-Speaker ASR #语音识别 #端到端 #多任务学习 #多语言 #跨模态 ✅ 7.5/10 | 前25% | #语音识别 | #端到端 | #多任务学习 #多语言 学术质量 7.5/7 | 选题价值 1.8/2 | 复现加成 0.8 | 置信度 高 👥 作者与机构 第一作者：Muhammad Shakeel（Honda Research Institute Japan Co., Ltd.） 通讯作者：未说明 作者列表：Muhammad Shakeel（Honda Research Institute Japan Co., Ltd.）， Yosuke Fukumoto（Honda Research Institute Japan Co., Ltd.）， Chikara Maeda（Honda Research Institute Japan Co., Ltd.）， Chyi-Jiunn Lin（Carnegie Mellon University）， Shinji Watanabe（Carnegie Mellon University） 💡 毒舌点评 这篇论文的“胶水”艺术令人印象深刻，将成熟的语音编码器、说话人验证模型和动态词汇扩展技术流畅地整合进一个端到端框架，解决了多说话人ASR中一个长期存在但被割裂对待的问题，实验数据也足够扎实。然而，其主要战场仍是LibriSpeech这类“干净的混合”，在AMI这种真实、嘈杂且充满填充词的会议场景中性能出现明显波动，这暗示了该框架在面对真实世界的混乱时可能过于依赖精心构造的条件。 ...