AI Papers Daily

#Speech

2 篇

To Trust or Not to Trust: Retrieval-Augmented Fact Checking in Speech

信任与否：语音检索增强事实核查

🧭 语音事实核查 · RAG+CoT

IISER Bhopal · King's College London · MBZUAI

提出语音事实核查基准 VeriSpeak，揭示文本-语音模态差距，并验证检索+显式推理准确率达86.1%

📌 工作参考价值（4 点）

• 直播/短视频事实审核：在电商直播、短视频带货中，虚假宣传检测可用「语音输入 + 文本检索证据 + 显式推理」管道；仅拼接检索片段容易被模型混淆，应加 CoT 要求先区分“声明”和“证据”再判断。
• 模态差距评估：如果现有文本事实核查/内容安全模型被用于语音转写后的文本，要意识到可能存在系统性能下降；上线前需在真实语音或 TTS 基准上评估，或直接用 LALM 处理音频。
• RAG 防混淆设计：召回证据后，可在 prompt 中用角色/字段显式隔离 claim 与 evidence，并要求模型输出“一致/矛盾/无关”的结构化判断，这比直接给混合上下文更稳。
• 业务基准构建：可参考 VeriSpeak 的 probe 设计，构建电商领域 spoken claims 小样本（如功效、产地、价格承诺），快速对比不同 RAG+推理组合。

RAG | 2026-09-24 | cs.LG | score 6/10

SpeechRAGFact CheckingLALMCoTBenchmark

VibeVoice-ASR-Streaming Technical Report

VibeVoice-ASR-Streaming：LLM 流式说话人归因语音识别

🧭 LLM 流式说话人归因 ASR

Microsoft Research · University of Chinese Academy of Sciences · Shanghai Jiao Tong University

首个 LLM 端到端流式说话人归因 ASR 之一，交错音频块与少量前瞻音频实现低延迟“谁说了什么”输出

📌 工作参考价值（4 点）

• 面向实时语音 Agent/客服：统一 LLM 直接生成“说话人+转写”，省去独立说话人日志模块，降低级联错误与延迟；输入设计可参考 fixed-size audio chunks + 少量 lookahead audio + previous text 的拼接策略，在语音点单、售后沟通等场景实现流式结构化记录。
• 自托管替代商业 API：在电商/广告会议转录等数据敏感场景，7B/1.5B 开源模型在五个评测集 WER/CER 上平均最低，且 speaker attribution 在 12/13 设置最优或并列，可作为内部服务，避免数据外传并控制成本。
• 工程架构上，用少量前瞻音频而非整句缓存，能显著降低流式延迟；在 Agent 中可类似设计“当前 chunk + 短 lookahead + 上一轮文本”的上下文，减少重复识别和说话人切换丢失。
• 中文电商场景需注意：论文里的中文会议集 AISHELL-4、AliMeeting 上 CER 仍较高（约 30-50%），落地前应基于国内电商/客服语音数据做领域微调，尤其提升中文说话人归因和电商术语识别。

LLM | 2026-09-01 | HF Daily | score 6/10

ASRSpeaker DiarizationStreamingLLMSpeechLow-latency