arXiv cs.CL· Liang-Yuan Wu, Zih-Ching Chen, Tongshuang Wu, Chao-Han Huck Yang, Hua Shen·· 11 小时前AI 评分31
SpeechEQ：面向社交感知语音对话模型的情商基准测试
SpeechEQ: Benchmarking Emotional Intelligence Quotient in Socially Aware Voice Conversational Models
AI 导读
研究者提出 SpeechEQ 框架，用于评估语音语言模型（SLM）的社会语言学推理能力，包含 2,265 段对话、覆盖基于 EQ-i 2.0 理论的 15 个情商子量表，并配套多轮评测协议与 Spoken EQ（SEQ）分数。实验显示端到端架构优于级联系统，但现有多模态模型仍受制于依赖文本的“模态捷径”、对齐引发的“安全陷阱”和“上下文失忆”。
正文 · AI 翻译
摘要：随着多模态对话系统日益参与语音交互，其驾驭副语言社交线索的能力已成为自然人机交流的关键瓶颈。然而，现有的机器情商评估仅通过孤立的文本或被动声学感知来评估推理能力，忽视了主动多轮对话所需的复杂跨模态推理。我们提出 \textsc{SpeechEQ}，一个旨在评估语音语言模型（SLM）社会语言学推理能力的综合框架。该框架包含一个经过验证的数据集，涵盖基于 EQ-i 2.0 理论的 15 个情商（EQ）子量表下的 2,265 段对话，以及一个多轮评估协议，该协议由我们受人类情商评估启发而提出的口语情商（SEQ）分数来衡量。实验表明，现有的语音情感识别和端到端语音语言模型在通过语音理解和应用副语言线索方面均存在局限。虽然端到端架构优于级联系统，但 \textsc{SpeechEQ} 揭示出当前多模态模型仍受制于依赖文本的“模态捷径”、对齐引发的“安全陷阱”以及“上下文失忆”，凸显了实现真正情感感知 AI 的障碍。我们的基准测试可访问 此 https URL，演示页面可访问 此 https URL
| 学科： | 计算与语言（cs.CL）；人工智能（cs.AI）；声音（cs.SD） |
| 引用为： | arXiv:2606.25990 [cs.CL] |
| （或 arXiv:2606.25990v2 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2606.25990 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Liang-Yuan Wu [查看邮箱]
[v1]
2026年6月24日星期三 16:03:38 UTC（2,786 KB）
[v2]
2026年11月2日星期一 16:22:42 UTC（1,532 KB）
来源：arXiv cs.CL · arxiv.org