ИИ-судьи слушают не ушами, а ярлыками экспресс

Оригинал: "Auditing Protocol-Level Shortcuts in Large Audio Language Model Judges for Speech Evaluation"
arXiv:2607.13477 · 2026-07-15 · CC BY-SA 4.0 · 1 мин
ИИ-системы оценки речи часто полагаются на текстовые подсказки, а не на само звучание.

Автоматические судьи речи — это алгоритмы, оценивающие произношение и эмоции. Однако они часто работают как кулинарный критик, который выносит вердикт, прочитав меню, но не попробовав блюдо.

Вместо анализа звука модель хватается за текстовые подсказки — словно судит лазанью по рецепту, а не по вкусу.

Эксперименты показали: если просто поменять местами две аудиозаписи, ИИ-судья меняет оценку, хотя звук остаётся тем же. Он цепляется за порядок подачи, а не за реальное качество. Полагаясь на стандартный протокол тестирования, а не на истинное звучание, такие системы нельзя считать справедливыми. Чтобы доверять им в будущем, нужно проверять каждую модель на склонность к обману — иначе оценка останется фикцией.

Нейросеть может ставить разные оценки одной и той же записи, если просто поменять местами образцы.

Учёные
Emmy NoetherSatyendra Nath BoseAlbert EinsteinWolfgang PauliEnrico FermiPaul Dirac
Понятия
анализ речи с помощью ИИ размеченные данные языковая модель белков большие языковые модели распознавание речи эталон слабое обучение скорость обучения важность признаков параметр голосовой помощник выбор модели