该不该信任：语音场景下的检索增强事实核查

研究者发布 VeriSpeak 基准，用于评估大音频语言模型（LALMs）能否直接对语音中的事实性主张做核查。该基准含 3,879 条口语主张，覆盖时间、地理与关系类事实，真假标签均衡。实验发现文本与语音之间存在稳定的模态差距：在文本上能可靠核查的模型，面对同一主张的口语版本常失败；仅加入检索收益有限，而检索结合显式推理可提升主张与证据的比对效果，经思维调优的 LALM 准确率达 86.1%。

此前事实核查评估多集中于书面文本，而新闻片段、播客、访谈、政治演讲和社交媒体视频中的语音信息正在增多。VeriSpeak 首次把核查能力从文本迁移到语音作为可测量问题，并指出文本表现不能直接代表语音表现。

语音输入相比文本缺少显式边界与标点，模型需同时完成语音识别与事实判断，容易把检索到的证据与口语主张混同。证据显示，单独检索不足以纠正这类混淆，因为模型可能未真正区分主张与证据；显式推理步骤能促使模型对二者做对照，从而提升支持或反驳判断的准确率。

若产品需要处理播客、访谈或视频中的事实核查，不能沿用纯文本核查管线，需在语音识别后加入检索与显式推理环节，并单独评测语音场景准确率。这会增加推理调用与工程成本，但可减少把证据误当作主张所导致的错误结论。

• 在语音转写管线后接入检索加显式推理模块，并针对主张与证据分离设计提示。
• 用 VeriSpeak 对现有事实核查模型做语音版本回归测试，识别文本与语音之间的性能落差。
• 面向播客、新闻视频等场景提供语音事实核查功能，并标注模型置信度与引用证据。

• VeriSpeak 的 3,879 条主张是否覆盖中文或其他非英语语音场景？
• 86.1% 准确率对应的思维调优 LALM 具体是哪个模型，成本与延迟如何？
• 该方法在真实长音频、多人对话和噪声环境下的表现是否仍成立？