模型评估

📄 CaReCoS: A Spectrogram based Visual Benchmark for Cardiac, Respiratory and Cough Sounds #音频理解 #基准测试 #医疗音频 #多模态模型 #模型评估 6/10 | 创新 1.2/2 | 严谨 0.8/1.5 | 实验 1/1.5 | 清晰 0.8/1 | 影响 0.5/1.5 | 开源 0.2/1.5 | 复现 0.3/0.5 | 工程 1.2/1.5 ✅ 6/10 | 前50% | #音频理解 | #提示学习 | #基准测试 #医疗音频 | arxiv 👥 作者与机构 第一作者：Harshit Rajgarhia（未说明） 通讯作者：未说明 作者列表：Harshit Rajgarhia（未说明）、Shuubham Ojha（未说明）、Akhil Pothanapalli（未说明）、Rachuri Lokesh（未说明）、Asif Shaik（未说明）、Abhishek Mukherji（未说明）、Prasanna Desikan（未说明） 💡 毒舌点评 论文首次将医学心肺咳嗽声的频谱图作为视觉输入进行多模态推理评测，明确揭示当前顶尖视觉与全能模型在该任务上近乎“全军覆没”（最高仅51.2%），视角新颖且问题尖锐。但整个基准的真相由Gemini 3 Flash自动生成且未经任何临床专家验证，评判同样依赖大模型，这构成了“用大模型评测大模型”的循环依赖，可靠性令人高度不安；同时代码与QA数据集均未开源，社区几乎无法复现或在此基础上推进，本质上是一篇用闭源模型揭示闭源模型缺陷的“空中楼阁”式研究。 ...

📄 SPEARBench: A Benchmark for Naturalness Evaluation in Streaming Speech-to-Speech Language Models #语音交互 #大语言模型 #基准测试 #流式处理 #模型评估 8.9/10 | 创新 1.4/2 | 严谨 1.3/1.5 | 实验 1.2/1.5 | 清晰 0.8/1 | 影响 1.1/1.5 | 开源 1.5/1.5 | 复现 0.3/0.5 | 工程 1.3/1.5 🔥 8.9/10 | 前25% | #语音交互 | #大语言模型 | #基准测试 #流式处理 | arxiv 👥 作者与机构 第一作者：Thomas Thebaud（单位未明确说明，论文为匿名提交至 IEEE SLT 2026） 通讯作者：未说明 作者列表： Thomas Thebaud（未说明）、Yuzhe Wang（未说明）、Hao Zhang（未说明）、Sathvik Manikantan Napa Ugandhar（未说明）、Ashish Hallur（未说明）、Georgi Tinchev（未说明）、Venkatesh Ravichandran（未说明）、Laureano Moro-Velazquez（未说明） 💡 毒舌点评 这项工作的亮点在于，它首次将打断、方言跟随、情感关联、人际立场等高度离散的社会性对话维度塞进了一个可统一运行的自动化 Benchmark 里，并且数据、代码、排行榜网站全开源，对 S2S 模型的工程迭代确实有"开箱即用"的推进作用。但毒舌地说，这本质上是一个工程集成项目，所有评估器都是拿来即用的现成模型，缺乏对复合评估偏差、评估器自身错误在 Benchmark 中的影响分析，使得分数的解释力在严格学术意义上打了折扣；同时仅用英文双人问答场景，就冠以"通用对话自然度"的名号，结论的泛化性存疑。 ...

📄 FoeGlass: Simple In-Context Learning Is Enough for Red Teaming Audio Deepfake Detectors #语音伪造检测 #大语言模型 #语音合成 #提示学习 #模型评估 6.8/10 | 创新 1.3/2 | 严谨 1.1/1.5 | 实验 1.2/1.5 | 清晰 0.8/1 | 影响 1/1.5 | 开源 0/1.5 | 复现 0.4/0.5 | 工程 1/1.5 ✅ 6.8/10 | 前50% | #语音伪造检测 | #大语言模型 | #语音合成 #提示学习 | arxiv 👥 作者与机构 第一作者：Sepehr Dehdashtian（Michigan State University） 通讯作者：Sepehr Dehdashtian（Michigan State University） 作者列表：Sepehr Dehdashtian（Michigan State University）、Jacob H. Seidman（Reality Defender）、Vishnu Naresh Boddeti（Michigan State University）、Gaurav Bharaj（Reality Defender） 💡 毒舌点评 本文首次将LLM的上下文学习用于音频深度伪造检测器的黑盒自动化红队，多样性反馈机制设计巧妙，显著提升了攻击多样性与成功率。然而，方法对超参数敏感且未在真实商业检测器上验证，开源代码缺失严重削弱了其实用说服力与可复现性。 ...

📄 Real-World Unsupervised Models Generalize to Predict Brain Responses to Out-of-Distribution Stimuli #模型评估 6.9/10 | 创新 1.3/2 | 严谨 1/1.5 | 实验 1.3/1.5 | 清晰 0.7/1 | 影响 1/1.5 | 开源 0.5/1.5 | 复现 0.3/0.5 | 工程 0.8/1.5 ✅ 6.9/10 | 前50% | #模型评估 | #无监督学习 | arxiv 👥 作者与机构 第一作者：Chenggang Chen（约翰霍普金斯大学生物医学工程系） 通讯作者：Chenggang Chen（约翰霍普金斯大学生物医学工程系） 作者列表：Chenggang Chen（约翰霍普金斯大学生物医学工程系）、Zhiyu Yang（约翰霍普金斯大学生物医学工程系）、Xiaoqin Wang（约翰霍普金斯大学生物医学工程系） 修正说明：原文作者名单中，所有三位作者均归属于同一机构（约翰霍普金斯大学生物医学工程系），使用数字上标“1”标注。原分析中重复标注机构的方式已修正。 💡 毒舌点评 本文以扎实的实验论证了“真实世界数据+无监督学习”对脑反应预测的碾压级优势，跨模态OOD泛化令人印象深刻，且逻辑链条清晰。但作为顶会spotlight，方法原创性偏弱——本质是对已有无监督模型的组合与评估，缺少新算法或理论洞见；关键的贡献仅停留在“数据分布最重要”的benchmark结论层面，若不能在后续给出可操作的模型设计原则或理论解释（为何真实世界统计特性如此关键），其影响力将随模型迭代而快速衰减。视觉部分的架构混杂问题削弱了论证力度，整体仍是一篇优秀但未达卓越的验证性工作。 📌 核心摘要 本文旨在回答“什么样的训练数据和目标能让深度神经网络更准确地预测大脑感觉皮层的反应”。作者提出，模型的生态效度关键在于训练数据的真实世界统计特性（而非架构或规模），且无监督目标更符合生物学习的约束。方法上，系统比较了19个听觉模型（包括HuBERT、Wav2Vec2等无监督模型，以及多种监督模型）在人类听觉皮层的两个fMRI数据集上的预测表现，同时将分析延伸至视觉皮层（婴儿视角视频训练的ResNeXt）。核心新意在于显式地解耦数据分布、学习目标和架构的贡献，并首次展示无监督真实世界模型对OOD刺激的跨语种/跨域泛化能力。主要结果：在听觉皮层预测上，基于真实多场景普通话训练的HuBERT_speech和Wav2Vec2_speech在NH2015数据集上分别达到0.773和0.743的噪声校正解释方差，比之前的最佳监督模型（CochResNet50-MultiTask, 0.729）提升6%和1.9%；在视觉皮层，婴儿视角无监督模型在Brain-Score上领先第二名（swin-small）47%以上，且camSAY-ResNeXt（0.249-0.259）与大规模ID评估的DINOv2/v3模型（0.251-0.262）分数相当，尽管其训练数据规模远小且为OOD评估。实际意义在于为神经科学计算建模提供了“数据分布 > 监督信号”的明确证据，并暗示真实环境的噪声、长尾分布和高动态范围可能是获得类脑表征的关键归因偏置。主要局限是评价指标仍限于相关性和预测对齐而非因果机制，且未在多种母语/文化背景下验证。 🔗 开源详情 代码：论文中未提及本研究相关的独立代码仓库链接。 模型权重： HuBERT_speech 与 Wav2Vec2_speech（在 WenetSpeech 上预训练的 Base 版本）：https://huggingface.co/TencentGameMate HuBERT_LS（LibriSpeech 预训练）：https://huggingface.co/facebook/hubert-base Wav2Vec2_LS（LibriSpeech 预训练）：https://huggingface.co/facebook/wav2vec2-base HuBERT_core (AVES-core)：https://github.com/earthspecies/aves camSAY 模型（婴儿视角预训练）：https://github.com/eminorhan/baby-vision 其他公开模型（AST、VGGish、S2T、Wav2Vec2FT、CochCNN9/ResNet50 等）的权重可从各自原始项目获取（见下方开源项目列表），论文未直接给出这些模型的独立权重文件链接。 数据集： WenetSpeech：https://wenet-e2e.github.io/WenetSpeech/ LibriSpeech：http://www.openslr.org/12 FSD50k：https://zenodo.org/record/4060432 AudioSet：https://research.google.com/audioset/ YouTube-8M：https://research.google.com/youtube8m/ Million Song Dataset：http://millionsongdataset.com/ SAYCam：https://saycam.stanford.edu/ Word-Speaker-Noise 数据集 (Feather et al., 2019)：论文中未提供公开下载链接。 fMRI 数据集 (NH2015, B2021)：分别来自 Norman-Haignere et al. (2015) 与 Boebinger et al. (2021)，可向原始作者索取，论文未提供直接下载链接。 Brain-Score 中的视觉 fMRI 数据集（Coggan & Tong, 2023; Bracci et al., 2019）：随 Brain-Score 项目一起分发（见下方）。 Demo：论文中未提及。 复现材料：无统一实验代码或一键复现脚本。 论文中引用的开源项目： HuggingFace Transformers：https://github.com/huggingface/transformers Fairseq（S2T, Wav2Vec2 等）：https://github.com/facebookresearch/fairseq AVES（HuBERTcore）：https://github.com/earthspecies/aves Baby Vision（camSAY 模型）：https://github.com/eminorhan/baby-vision AST（Audio Spectrogram Transformer）：https://github.com/YuanGongND/ast VGGish：https://github.com/tensorflow/models/tree/master/research/audioset/vggish Brain-Score：https://github.com/brain-score/brain-score Librosa（音频分析）：https://github.com/librosa/librosa Silero VAD（语音活动检测）：https://github.com/snakers4/silero-vad pyannote.audio（说话人分类）：https://github.com/pyannote/pyannote-audio DNSMOS（语音质量评估）：https://github.com/microsoft/DNS-Challenge TencentGameMate Chinese Speech Pretrain：https://github.com/TencentGameMate/chinese_speech_pretrain 🏗️ 方法概述和架构 本文并非提出新的神经网络架构，而是一套系统的模型-脑对齐评估流水线，用于比较不同预训练范式下的听觉与视觉模型在预测人类fMRI反应上的性能。 ...

📄 TurnNat: Automatic Evaluation of Turn-Taking Naturalness in Dyadic Spoken Dialogue #语音交互 #自监督学习 #基准测试 #模型评估 7/10 | 创新 0.8/2 | 严谨 1/1.5 | 实验 0.9/1.5 | 清晰 1/1 | 影响 0.8/1.5 | 开源 1.2/1.5 | 复现 0.5/0.5 | 工程 0.8/1.5 ✅ 7/10 | 前50% | #语音交互 | #Transformer | #自监督学习 #基准测试 | arxiv 👥 作者与机构 第一作者：Hao Zhang（未说明） 通讯作者：Hao Zhang（未说明）、Laureano Moro-Velázquez（未说明） 作者列表：Hao Zhang（未说明）、Thomas Thebaud（未说明）、Georgi Tinchev（未说明）、Venkatesh Ravichandran（未说明）、Laureano Moro-Velázquez（未说明） 💡 毒舌点评 将轮次预测模型重用作自然度评估器是个巧妙的思路，用似然度统一多种时序故障避免了为每种行为单独设计指标。但这种方法论上的重组创新性有限，且实验完全局限于人工构造的局部扰动，从未在真实全双工对话系统的输出上验证。在缺乏与Full-Duplex-Bench等现有行为特定基准直接对比的情况下，宣称的“统一评分”优势仍停留在纸面上，令人怀疑其在实际嘈杂、混合故障场景中的鲁棒性。 📌 核心摘要 论文提出TurnNat，一种基于似然度的自动评估框架，旨在统一量化双人对话中的轮次自然度。其核心是一个仅由自然对话训练得到的因果轮次预测模型，该模型逐帧估计未来2秒内双说话人语音活动的状态分布。通过计算观测到的真实未来活动状态的负对数似然（NLL）来度量时序的非典型性。为避免全局平均稀释局部异常，TurnNat设计了“轮次边界单元”（TBU），在发言起始和结束前的2秒窗口内集中评分，并通过合并NLL均值和尾部高分NLL的均值（TailNLL）聚合为对话级自然度分数。作者构建了一个经人工验证的轮次扰动基准，包含五种局部时序扰动（延迟响应、过早插话等）。实验显示，最佳配置（基于DualTurn的D4变体）在自然-扰动配对判别准确率达到88.0%，相较VAP基线提升7-8个百分点。主要局限性在于：评测对象仅为人工构造的单点扰动，未在真实系统输出上验证，且未与任何现有的行为特定基准进行对比。 ...

📄 ORCA: Open-ended Response Correctness Assessment for Audio Question Answering #音频理解 #大语言模型 #基准测试 #模型评估 #数据集 7.9/10 | 创新 1.5/2 | 严谨 1.3/1.5 | 实验 1.4/1.5 | 清晰 1/1 | 影响 0.9/1.5 | 开源 0.5/1.5 | 复现 0.3/0.5 | 工程 1/1.5 ✅ 7.9/10 | 前25% | #音频理解 | #大语言模型 | #基准测试 #模型评估 | arxiv 👥 作者与机构 第一作者：Šimon Sedláček（Brno University of Technology, Speech@FIT）、Sara Barahona（Universidad Autónoma de Madrid）、Bolaji Yusuf（Brno University of Technology, Speech@FIT）、Laura Herrera-Alarcón（Universidad Autónoma de Madrid）、Santosh Kesiraju（Brno University of Technology, Speech@FIT）（注明同等贡献） 通讯作者：未说明 作者列表：Šimon Sedláček（Brno University of Technology, Speech@FIT）、Sara Barahona（Universidad Autónoma de Madrid）、Bolaji Yusuf（Brno University of Technology, Speech@FIT）、Laura Herrera-Alarcón（Universidad Autónoma de Madrid）、Santosh Kesiraju（Brno University of Technology, Speech@FIT）、Cecilia Bolaños（University of Buenos Aires）、Alicia Lozano-Diez（Universidad Autónoma de Madrid）、Sathvik Udupa（Brno University of Technology, Speech@FIT）、Fernando López（Universidad Autónoma de Madrid）、Allison Ferner（Tufts University）、Ramani Duraiswami（University of Maryland）、Jan Černocký（Brno University of Technology, Speech@FIT） 💡 毒舌点评 亮点：将Beta分布引入音频QA评估，巧妙地把人类评分的均值和分歧度同时建模，并提供了一套完整的三阶段标注-修正流程，数据集价值较高。短板：框架严重依赖由Gemini生成的rationale和Whisper转录文本，这些文本grounding的质量直接影响评估上限；方法在大规模、多类型、多语言音频QA上的泛化能力完全未知，且关键训练超参数意外缺失，削弱了复现信心。 ...

语音/音乐/音频论文速递 2026-07-02 共分析 16 篇论文 ⚡ 今日概览 📥 抓取 16 篇 → 🔬 深度分析完成 🏷️ 热门方向 方向 数量 分布 #音频理解 3篇 ███ #说话人验证 2篇 ██ #语音合成 2篇 ██ #语音识别 1篇 █ #音视频理解 1篇 █ #语音增强 1篇 █ #语音情感识别 1篇 █ #音乐生成 1篇 █ 📊 论文评分排行榜（16 篇，按分数降序） 排名 论文 总分 分档 主任务 🥇 NPUsper: Eliminating Redundant Computation for Real-Tim 9.0分 前10% #语音识别 🥈 AV-SyncBench: Decoupled Benchmarking of Temporal and Se 8.5分 前25% #音视频理解 🥉 ORCA: Open-ended Response Correctness Assessment for Au 7.9分 前25% #音频理解 4. AmbiDrop: Ambisonics-Based Array-Agnostic Neural Speech 7.5分 前25% #语音增强 5. From Objectives to Applications: Aligning Architectural 7.5分 前25% #音频理解 6. Positive-Incentive Noise Predictor for Adversarial Puri 7.4分 前50% #说话人验证 7. Automatic Detection of Stress from Speech in the Trier 7.4分 前50% #语音情感识别 8. Enhancing Flow Matching with A Unified Guidance Framewo 7.1分 前50% #语音合成 9. MG-RWKV: Multi-Grained Context-Aware RWKV for Temporal 6.9分 前50% - 10. A Text-Steerable Instrument for Sketching Procedural So 6.8分 前50% #音乐生成 11. A Geometric Perspective on Composable Emotion Steering 6.6分 前50% #语音合成 12. Do Multimodal Large Language Models Need Reasoning to C 6.5分 前50% #语音属性识别 13. Evaluating Pretrained Music Embeddings for Cross-Perfor 5.8分 前50% #音乐检索 14. Disentangling Speaker and Language Effects in Cross-Lin 5.6分 前50% #说话人验证 15. Adaptive Perturbation Selection for Contrastive Audio D 5.3分 后50% #音频理解 16. Speech Playground: An Interactive Tool for Speech Analy 4.1分 后50% - 📋 论文列表 🥇 NPUsper: Eliminating Redundant Computation for Real-Time Whisper on Mobile NPUs 9.0/10 | 创新 1.4/2 | 严谨 1.4/1.5 | 实验 1.0/1.5 | 清晰 0.8/1 | 影响 1.2/1.5 | 开源 1.2/1.5 | 复现 0.5/0.5 | 工程 1.5/1.5 ...

📄 Is Natural Always Appropriate? Investigating Naturalness and Appropriateness Across Different Domains for TTS Evaluation #语音合成 #模型评估 7.2/10 | 创新 1.5/2 | 严谨 1.2/1.5 | 实验 0.8/1.5 | 清晰 1/1 | 影响 0.8/1.5 | 开源 0.7/1.5 | 复现 0.5/0.5 | 工程 0.7/1.5 ✅ 7.2/10 | 前25% | #语音合成 | #模型评估 | arxiv 👥 作者与机构 Dominika Woszczyk (Iconic, United Kingdom) Andreas Triantafyllopoulos (Technische Universität München, Germany) Jura Miniota (KTH Royal Institute of Technology, Sweden) Éva Székely (KTH Royal Institute of Technology, Sweden) Bjoern Schuller (Imperial College London, United Kingdom) ...

📄 Underwater Source Detection and Classification for Signal-based Surveillance: Audio Dataset Curation and Cross-Domain Evaluation #数据集 #模型评估 7.8/10 | 创新 1.3/2 | 严谨 1.2/1.5 | 实验 1.2/1.5 | 清晰 1/1 | 影响 0.8/1.5 | 开源 0.9/1.5 | 复现 0.5/0.5 | 工程 0.9/1.5 ✅ 7.8/10 | 前25% | #数据集 | #模型评估 | arxiv 👥 作者与机构 未明确说明第一作者及单位。论文致谢部分提及工作由美国海军研究办公室资助 (Grant No. N00014-21-1-2790)。 💡 毒舌点评 这篇论文做了一件扎实的“基础设施”工作：收集、清洗并标准化了一个水下音频数据集，然后建立了一个简单但可复现的基线，并针对一个实际痛点（跨域船舶检测失败）提出了组合技（加权损失+margin+特征对齐）来缓解。优点是诚实、实验设计清晰、代码开源，为后续研究铺了路。缺点也很明显：作为顶会论文，其“方法”部分的创新性稍显薄弱，提出的更像是工程技巧的组合而非深刻的理论洞察；而且Tiny-CNN这个基线模型本身过于简单，其提升上限有限，论文中也坦承了这一点。最终分数不高不低，算是完成了社区需要但不够惊艳的贡献。 📌 核心摘要 本文针对水下声学机器学习领域公开标注数据集稀缺且模型跨域泛化能力差的问题，做了三方面工作：首先，从公开的海事声音档案中人工筛选并策划了一个包含8类、1099个1秒片段的水下音频数据集USS8。其次，建立了一个基于Tiny-CNN和对数梅尔频谱图的轻量级、可复现的基线模型。最后，重点评估了在ShipsEar数据集上的零样本跨域船舶检测性能，发现基线模型因域偏移和类别不平衡导致检测率极低 (5.91%)。为此，论文提出并组合了类别加权交叉熵损失、一种新的margin-enhanced损失 (CE-PlusPairMargin) 以及推理时的特征统计对齐方法，最终将船舶检测率显著提升至48.51%，验证了这些方法在缓解类间混淆和域偏移上的有效性。论文同时开源了数据集准备流水线代码以支持复现。 🔗 开源详情 代码：https://github.com/qtvo93/data-pipeline-avss 。论文明确提供了此GitHub仓库链接，包含用于从公共音频档案重现USS8数据集的数据准备流水线代码。 模型权重：论文中未提及任何预训练模型权重的下载地址。 数据集：论文明确说明，由于原始海事声音档案的许可限制，其策划并整理好的USS8数据集本身不能重新分发。用户需通过上述代码流水线自行处理生成。 Demo：未提及。 复现材料：论文提供了详细的复现所需信息，包括：固定的数据划分（716/164/219）、训练设置（交叉熵损失，早停）、硬件环境（RTX 3090 GPU）、特征提取参数（n_fft=1024, hop_length=256, n_mels=64, 采样率16000Hz）、损失函数公式及超参数说明、以及在ShipsEar上进行零样本评估的具体方法。这些信息与代码仓库结合，允许在生成数据集后复现实验。 论文中引用的开源项目：pydub库（用于音频分割）。 🏗️ 方法概述和架构 论文的方法流程可分为数据准备、特征提取、基线模型训练与域偏移缓解策略四个核心阶段。 ...

📄 RedVox: Safety and Fairness Gaps in Speech Models Across Languages #基准测试 #模型评估 6.8/10 | 创新 1.3/2 | 严谨 1.1/1.5 | 实验 1.1/1.5 | 清晰 1/1 | 影响 0.8/1.5 | 开源 0/1.5 | 复现 0.5/0.5 | 工程 1/1.5 ✅ 6.8/10 | 前50% | #基准测试 | #模型评估 | arxiv 👥 作者与机构 Beatrice Savoldi, Sara Papi, Wafa Aissa, Matteo Negri, Luisa Bentivogli。单位：Fondazione Bruno Kessler, Italy。 💡 毒舌点评 这篇论文像是一个“社区驱动的体检报告”，为语音模型的安全与公平性提供了急需的跨国体检数据。它最大的优点是“真实”——真实的人声、真实的研究者作为数据贡献者，以及真实暴露出的、令人不安的漏洞。特别是那个参与者问卷，简直是给所有想搞语音红队的人上了一堂生动的“伦理课”，告诉你收集这些数据有多折磨人。但问题也很明显：五种语言虽然覆盖广，但全是欧洲亲戚（印欧语系高资源语言），模型们对远房亲戚（如亚洲语言）的表现还是个谜。评估框架依赖LLM判官，这个判官自己有没有跨文化偏见，论文没深究。单轮对话的设置也过于“温和”了，现实中的恶意用户可不会只问一回合。总的来说，它把“问题有多严重”说得很清楚，但“如何系统性地解决”或者“如何更全面地诊断”，留下的思考空间比给出的答案更多。它是一份扎实的、揭露问题的报告，但还远非一份解决问题的蓝图。 📌 核心摘要 本文指出，当前语音模型的安全与公平性评估在多语言和自然语音条件下存在严重空白。为应对此问题，作者构建了RedVox，一个基于真实人声、覆盖英法意西德五种语言的多模态安全与公平基准。通过对八款最先进语音模型的评估，研究发现：1）安全漏洞在非英语语言中显著恶化（不安全率翻倍）；2）语音输入（相比文本）会加剧模型的不安全响应倾向；3）刻板印象类请求最易引发争议性响应。此外，通过参与者问卷，论文首次记录了语音数据收集过程中独特的隐私与心理负担问题。研究证实了语音安全问题的紧迫性，并强调了跨语言、跨模态评估的重要性。 🔗 开源详情 代码：https://github.com/hlt-mt/redvox 模型权重：论文中未提供。RedVox本身是一个评估基准。论文评估的开源模型权重来自第三方（如HuggingFace上的Qwen2-Audio, Phi4-Multimodal, Voxtral等），并非本文贡献。 数据集：RedVox数据集，获取链接：https://huggingface.co/datasets/FBK-MT/RedVox（需通过审核访问）。 Demo：未提及。 复现材料：论文提及代码仓库可能包含指南（附录B），但未单独提供复现材料链接。评估脚本和输出承诺在论文接收后开源。 论文中引用的开源项目： Whisper (语音转录)：https://hf.co/openai/whisper-large-v3-turbo Qwen3Guard (安全护栏)：https://huggingface.co/Qwen/Qwen3Guard-Gen-8B MUSAN corpus (背景噪声)：论文未提供具体链接。 Silero VAD (语音活动检测)：论文未提供具体链接。 SHADES (刻板印象数据集)：论文未提供具体链接。 M-ALERT (安全基准数据集)：论文未提供具体链接。 🏗️ 方法概述和架构 本文的方法主要分为两个核心部分：RedVox基准构建与基于该基准的模型评估。 ...