SpeechCritic：用约300条人类偏好标注训练语音诊断评判器

Mingyue Huo 等作者在 arXiv 论文（v2）中提出 SpeechCritic，一种用约300条人类偏好标注训练的7B诊断式语音评判器。该方法将声学测量映射为 A/Tie/B 概率，作为非约束性提示与音频一起传给前沿音频语言模型，用于对音色、情感和节奏等维度给出判断并指出支持依据。 作者报告，与同一模型无提示标注相比，该设置将维度级人类一致性提高6.3个百分点，与人类 Tie 率的不匹配降低10.4个百分点。作者还比较了7B模型上 SFT、OPD 和 RL 三种训练信号，并在英语—日语、英语—西班牙语两个语言对上实例化该流程，称该流程不依赖特定语言对。以上数字均为作者声称，基于论文摘要。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。