冻结音频模型可自行扫描一小时录音定位证据，无需转录或训练。
资讯摘要
论文提出 ReListen，一种免训练方法，让冻结的音频语言模型在回答前自行定位证据：以 20 秒窗口扫描，按有助于回答问题的概率打分，再从得分最高的一分钟作答。作者报告，在 VoiceGiraffe 上，该分钟与标注证据重叠的比例达 88.5%，高于转录检索；同一扫描在 LAT-Bench 上的事件定位效果与专门训练的时间定位模型相当。基于该片段作答可匹配或超过听完整录音，在 VoiceGiraffe 上比整段转录高 9.2 分。
要点速读
- ReListen 用冻结音频语言模型对每个 20 秒窗口打分，选出最高分的一分钟作为证据再作答，无需转录或额外训练。
- 作者报告在 VoiceGiraffe 上，选中分钟与标注证据重叠的比例为 88.5%，高于转录检索；同一扫描在 LAT-Bench 上事件定位效果与训练过的时间定位模型相当。
- 基于选中片段作答在 VoiceGiraffe 上比整段转录高 9.2 分；相同片段下，听音频在声音与嗓音类问题上明显优于读转录，且 ReListen 比所有基于转录的系统更快、显存占用恒定。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/11/5 08:00:38（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。