响亮、更长、更生动：语音大语言模型评审中的声学捷径和未明确的基本原理

大语言模型作为评审广泛用于评估文本，但将这种范式扩展到语音需要模型来解释声学和语言证据。这引入了特定于模态的风险：语音评审可能会将感知上显着的提示视为质量的证据，即使该提示与目标标准无关或比人类听众给予的权重更大。我们将这种行为称为声学捷径。为了研究它，我们使用对强度、内容丰富度和情感表达的受控操作来审核六位语音大语言模型评审。我们评估逐点评分和成对比较，使用人类偏好校准来解释结果。评委们始终如一地奖励响亮的音频，比人类听众更喜欢内容丰富的语音，并将情感传递映射到质量偏好中。这些影响在成对比较中最为明显，而逐点分数常常掩盖它们。更令人担忧的是，随附的理由很少识别出改变判断的声学提示，而是反复依赖有限的词汇，使它们在声学上不明确。总之，这些发现表明，可靠的语音评审必须抵制声学捷径，并将其理由建立在其决策背后的声学证据之上。为了支持再现性和未来的审计，我们还发布了 SpeechJudgeAudit，这是本研究中使用的受控刺激和评估工具。