論文の概要: To Trust or Not to Trust: Retrieval-Augmented Fact Checking in Speech

• arxiv url: http://arxiv.org/abs/2609.30227v1
• Date: Thu, 24 Sep 2026 17:50:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:10.192117
• Title: To Trust or Not to Trust: Retrieval-Augmented Fact Checking in Speech
• Title（参考訳）: 信頼すべきか信頼すべきでないか - 音声による検索強化Fact Checking
• Abstract要約: 我々は,Large Audio Language Models (LALMs)における音声による事実検証の探索ベンチマークであるVeriSpeakを紹介する。 VeriSpeakには、時間的、地理的、および関係的な事実にまたがる3,879の音声クレームがあり、真と偽のラベルのバランスが取れている。 文章のクレームを確実に検証するLALMは、発話時に同じクレームで失敗することが多い。
• 参考スコア（独自算出の注目度）: 2.2774463052884677
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Online misinformation increasingly appears in spoken formats such as news clips, podcasts, interviews, political speeches, and social media videos, creating a need for fact-checking systems that can verify claims directly from speech. We introduce VeriSpeak, a probe benchmark for studying speech-based fact verification in Large Audio Language Models (LALMs). VeriSpeak contains 3,879 spoken claims spanning temporal, geographical, and relational facts, with balanced true and false labels. The benchmark is designed to examine whether factual verification ability transfers from text to speech, and whether retrieval-augmented LALMs can use textual evidence to correctly support or refute spoken claims. Our experiments reveal a consistent text-speech modality gap: LALMs that verify written claims reliably often fail on the same claims when spoken. Moreover, retrieval alone provides limited gains because models frequently conflate retrieved evidence with the spoken claim. In contrast, retrieval combined with explicit reasoning improves claim-evidence comparison, with a thinking-tuned LALM reaching 86.1% accuracy. VeriSpeak highlights that effective speech misinformation detection requires not only speech understanding, but also grounded reasoning over retrieved evidence. The dataset is publicly available via Hugging Face at https://huggingface.co/datasets/abhiram4572/VeriSpeak.
• Abstract（参考訳）: オンラインの誤報は、ニュースクリップ、ポッドキャスト、インタビュー、政治演説、ソーシャルメディアビデオなどの音声形式にますます現れ、音声から直接クレームを検証できるファクトチェックシステムの必要性が増している。 本稿では,Large Audio Language Models (LALMs) における音声による事実検証の探索ベンチマークであるVeriSpeakを紹介する。 VeriSpeakには、時間的、地理的、および関係的な事実にまたがる3,879の音声クレームがあり、真と偽のラベルのバランスが取れている。 このベンチマークは、事実検証能力がテキストから音声へ転送されるかどうか、および検索強化されたLALMがテキスト証拠を使用して、音声による主張を正しくサポートしたり、否定したりできるかどうかを調べるために設計されている。 文章のクレームを確実に検証するLALMは、発話時に同じクレームで失敗することが多い。 さらに、検索だけでは、検索された証拠を音声によるクレームと頻繁に分割するため、限られた利得が得られる。 対照的に、明示的な推論と組み合わせた検索はクレームエビデンス比較を改善し、思考調整されたLALMは86.1%の精度に達した。 VeriSpeakは、効果的な音声誤報検出には、音声理解だけでなく、回収された証拠に対する推論の根拠も必要だと強調している。 データセットはHugging Face at https://huggingface.co/datasets/abhiram4572/VeriSpeakで公開されている。

関連論文リスト

• How to Recognize New Words: A Comparison Between Context Biasing Methods and Speech LLMs [61.601626186678146]
  音声大言語モデル(LLM)に対するWhisperに基づく2つの文脈バイアス法の評価を行った。 文脈バイアス法は、WERのバイアスを最大88%削減し、他の単語はほとんど影響を受けなかった。 音声LLMは読み上げ音声に優れるが、非読み出し音声にはあまり適さないため、散発的数に敏感であり、語順を誘導する。
  論文  参考訳（メタデータ） (2026-08-06T08:45:33Z)
• Think, Verbalize, then Speak: Bridging Complex Thoughts and Comprehensible Speech [41.625380059502675]
  Think-Verbalize-Speakは、音声配信から推論を分離するフレームワークである。 また、インクリメンタルおよび非同期の要約に基づく遅延効率の高い動詞化器ReVerTについても紹介する。 複数のベンチマークによる実験結果から,本手法は音声の自然さと簡潔さを推論に最小限の影響で向上させることが示された。
  論文  参考訳（メタデータ） (2025-09-19T14:34:22Z)
• An Investigation of Large Language Models for Real-World Hate Speech Detection [46.15140831710683]
  既存の手法の大きな制限は、ヘイトスピーチ検出がコンテキストの問題である点である。 近年,大規模言語モデル (LLM) はいくつかの自然言語処理において最先端の性能を示した。 本研究は, ヘイトスピーチの文脈を効果的に把握する上で, 巧妙な推論プロンプトが有効であることを明らかにする。
  論文  参考訳（メタデータ） (2024-01-07T00:39:33Z)
• The Perils & Promises of Fact-checking with Large Language Models [55.869584426820715]
  大規模言語モデル(LLM)は、学術論文、訴訟、ニュース記事を書くことをますます信頼されている。 語句検索,文脈データ検索,意思決定などにより,実検におけるLLMエージェントの使用状況を評価する。 本研究は, 文脈情報を用いたLLMの高度化を示すものである。 LLMは事実チェックにおいて有望であるが、不整合の正確性のため注意が必要である。
  論文  参考訳（メタデータ） (2023-10-20T14:49:47Z)
• SpeechLM: Enhanced Speech Pre-Training with Unpaired Textual Data [100.46303484627045]
  本稿では,事前定義した統一表現と音声とテキストの事前学習を協調させるクロスモーダル音声言語モデル(SpeechLM)を提案する。 具体的には、音声とテキストのモダリティをブリッジするために、2つの別の離散トークン化器を導入する。 音声認識, 音声翻訳, ユニバーサル表現評価フレームワーク SUPERB など, 様々な音声言語処理タスクにおける音声LM の評価を行った。
  論文  参考訳（メタデータ） (2022-09-30T09:12:10Z)
• DialFact: A Benchmark for Fact-Checking in Dialogue [56.63709206232572]
  われわれはDialFactという22,245の注釈付き会話クレームのベンチマークデータセットを構築し、ウィキペディアの証拠と組み合わせた。 FEVERのような非対話データでトレーニングされた既存のファクトチェックモデルは、我々のタスクでうまく機能しないことがわかった。 本稿では,対話におけるファクトチェック性能を効果的に向上する,シンプルなデータ効率のソリューションを提案する。
  論文  参考訳（メタデータ） (2021-10-15T17:34:35Z)
• Speech to Text Adaptation: Towards an Efficient Cross-Modal Distillation [15.225080891662675]
  音声理解は、膨大な事前訓練された言語モデルの推測の恩恵を受けることができる。 LMの上位層から完全に音声ベースのモジュールに知識を共有できるという仮説を実験的に検証した。
  論文  参考訳（メタデータ） (2020-05-17T10:50:15Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。