描述一落，物就没了。所以要给形状，不给标签。上传的音频只会交给你配置的 ASR；声学轨迹与转写文本再交给描述模型。
等待一段声音。
选择 3–8 条自然、平常状态下的语音。基线只保存统计量，不长期保存这些录音。
尚未检查。