Громче, длиннее, живее: акустические сокращения и неполные объяснения речевых судей на основе языковых моделей

Речевые языковые модели-судьи систематически превращают заметные акустические признаки в оценку качества, даже когда сам критерий не должен меняться. Контролируемые вмешательства показывают предпочтение более громкой и содержательно богатой речи, а текстовые объяснения обычно не называют признак, который изменил решение.

Метод. Шесть судей проверяются в попарном и балльном режимах на изменениях громкости, пауз, повторов, длительности и эмоциональной подачи. Пятнадцать носителей языка дают калибровочный человеческий ориентир; словарь объяснений анализируется отдельно от самих решений.

Результаты. При усилении на 6 дБ все пять попарных судей предпочитают более громный вариант, средняя доля выбора 0,578. Содержательно богатую формулировку судьи выбирают с вероятностью 0,707 против 0,547 у людей, причём равная длительность не устраняет эффект. Счастливая подача получает 0,531 у судей, хотя люди предпочитают нейтральную, оставляя счастливой 0,407.

Ограничения. Человеческая выборка мала, а стимулы синтетические и контролируют только несколько признаков. Проверка объяснений лексическая: отсутствие слова «громкость» не доказывает, что внутренняя модель не использовала этот признак осмысленно.

Фишка из статьи. Объяснения почти бесполезны для поиска акустического сокращения: громкость называется менее чем в 1% случаев, тишина в 1,2%, длительность и эмоция не более чем в 3%. Повторение заметнее, но даже оно упоминается лишь в 22,1% объяснений.

Как это читать: совпадение людей и судей по громкости не делает её допустимым свидетельством качества. Ещё важнее, что правдоподобное объяснение не раскрывает фактическую чувствительность судьи к изменённому звуку.