实时语音 AI 听得到情绪却不用：120 次测试 119 次照本宣科
Once_ina_Lifetime · reddit · 2026-08-25
论文《Real-Time Voice AI Hears but Does Not Listen》（arXiv:2606.26083）测试了 GPT Realtime 2、Gemini 3.1 Flash Live、Qwen3.5 Omni Plus/Flash 四个实时语音系统在「话语与语气矛盾」场景下的表现，例如「没事」配哭腔应追问却直接结束通话、「批准转账」配恐惧语气应上报却照批、「给我报名」配明显讽刺应识别非真实同意却照样注册。
关键发现：模型在诊断性提问下大多能正确识别声音中的情绪线索（四个模型中三个可靠检出悲伤/恐惧/讽刺），但这些感知并未影响实际决策——基础提示下 120 次运行中有 119 次仍按脚本执行。此外文本内容会压倒声学信号：意大利内容的澳音会被「听成」意大利口音，老人念儿童台词会被判断为儿童。
改提示词只能部分改善（诈骗场景略有变化）且不稳定，讽刺基本仍被忽略。论文将此称为实时语音 AI 的「情绪智能缺口」，对语音 agent 的评估方法（多基于转写文本、丢失情绪细节）也是挑战。
「模型」频道最新
- 网友实测：Minimax H3 用中文提问效果大幅提升，英文提示词或拖后腿 — apoke890 · 2026-08-25
- 疑似 Gemini 3.8 Flash 提前泄露，网友称谷歌兑现小模型更新承诺 — Last_Conclusion_8984 · 2026-08-25
- 只训练投影器即可扩展新模态，Llama 能力不退化 — rohanpaul_ai · 2026-08-25
- 只改一个词结果大不同，用户实测 AI 回答存性别偏差 — RecordingThis6802 · 2026-08-25
- Fal 推出微调版 H3 模型，推理栈优化实现极速 — isidentical · 2026-08-25
- SGL 推出 Qwen3.8-27B NVFP4 检查点，BF16 表头显著提效 — EAccelerate_42 · 2026-08-25