When Misinformation Speaks and Converses: Rethinking Fact-Checking in Audio Platforms¶

会议: ACL 2026
arXiv: 2604.16767
代码: 无
领域: 音频语音
关键词: 音频虚假信息, 事实核查, 播客, 口语特性, 对话性

一句话总结¶

本文为Position Paper，论证音频平台上的虚假信息在本质上不同于文本虚假信息——它同时具有口语性（prosody、pacing、emotion）和对话性（多轮、多说话人、跨集节），现有以文本为中心的事实核查流水线无法有效处理，需要围绕音频特有属性重新设计验证框架。

研究背景与动机¶

领域现状: 音频平台已从纯娱乐演变为公共话语的核心渠道——从播客、广播到WhatsApp语音消息和直播。数百万档节目和数亿听众使得音频平台成为虚假信息传播的主要通道。

现有痛点: 现有事实核查流水线几乎完全针对书面声明设计（如文本claim检测→证据检索→裁决），忽视了口语媒体的独特属性。简单地将音频转录为文本再进行核查，会丢失大量关键信息。

核心矛盾: 音频虚假信息并非"带转录的文本内容"——它在结构上根本不同，因为它同时具备两个维度：(1) 口语性（spoken），通过韵律、语速、情感等传递说服力；(2) 对话性（conversational），跨多轮对话、多个说话人和多集节目展开。这些双重属性引入了传统方法难以应对的验证难题。

本文目标: 综合跨模态和跨平台的证据，审视现有数据集和方法，阐明为何现有流水线在音频上失败，并论证推进事实核查需要围绕音频的口语和对话现实重新思考验证流水线。

切入角度: 从模态差异（文本vs口语）和结构差异（独立声明vs多轮对话）两个维度系统分析音频虚假信息的独特挑战。

核心idea: 音频虚假信息的检测不能简单依赖"转录+文本核查"的模式，必须将韵律特征、说话人动态和对话结构纳入事实核查流水线的设计。

方法详解¶

整体框架¶

作为一篇 Position Paper，本文不提出具体算法，而是围绕"音频虚假信息为何不能当成带转录的文本来核查"这一命题展开论证：先从口语性（prosody、pacing、emotion）和对话性（多轮、多说话人、跨集）两个维度刻画音频虚假信息的独特结构，再据此逐段拆解现有文本核查流水线（claim 检测→证据检索→裁决）在音频场景下的失败模式，最终给出一份围绕音频现实重构验证框架的研究路线图。

关键设计¶

1. 口语性维度分析：论证转录无法替代原始音频

现有流水线默认"转成文字就够了"，但说服力恰恰藏在文字之外。韵律（prosody）层面，语调与重音模式能改变一句声明的含义、或为本不可信的内容加上权威感；语速（pacing）层面，刻意的停顿与急促的语流被用来引导听众注意力、掩盖逻辑漏洞；情感（emotion）层面，声音里的情绪投射直接左右信息的可信度。实证研究显示，同一段文本以不同韵律念出来，听众的信任度与接受度差异显著——这意味着只看转录的核查会系统性地遗漏这些说服力信号。

2. 对话性维度分析：论证声明级核查在播客等场景下失效

传统事实核查假设每个 claim 都是独立、可单独抽取验证的，但音频里的虚假信息往往不是单点声明，而是沿着对话结构慢慢长出来的。它可能在多个话轮中逐步搭建，前一轮埋下前提、后一轮才推出结论；可能借主持人与嘉宾的互动，通过引导性提问、选择性同意等方式隐含传递；甚至跨多集节目铺陈一条虚假叙事，任何单集核查都看不到全貌。脱离上下文，这些声明根本无法被正确理解，更谈不上核查。

3. 现有流水线失败的系统诊断

把口语性与对话性两条线索落到具体环节，作者逐阶段指出现有方法的断点：claim 检测阶段无法处理隐含声明和跨话轮才成立的 claim；证据检索阶段难以匹配口语表达里大量非标准、口头化的措辞；裁决模型则完全没有对韵律、语速等音频说服力特征建模的能力。只有把失败原因诊断到这一粒度，后续才能有针对性地设计模态感知、对话感知的新流水线，而非在文本框架上打补丁。

实验关键数据¶

主实验¶

本文为Position Paper，不包含传统实验。作者通过综合现有文献证据来支撑论点：

论证维度	关键证据	结论
口语说服力	跨模态研究表明韵律显著影响信任度	转录丢失关键说服力信号
对话结构	播客虚假信息跨轮展开	独立claim核查不足
现有方法	文本核查流水线在音频上表现差	需要模态感知的新流水线
数据集缺口	现有音频事实核查数据集稀少	需要大规模音频claim数据集

消融实验¶

N/A（Position Paper）

关键发现¶

音频虚假信息的两个独特属性——口语性和对话性——使其从根本上不同于文本虚假信息，不能简单套用现有方法
现有事实核查流水线的三个阶段（claim检测、证据检索、裁决）在音频场景下都存在系统性不足
音频事实核查数据集严重匮乏，特别是包含韵律标注和对话结构标注的数据集
播客等长对话形式中的虚假信息往往通过暗示、引导性提问等隐含方式传递，而非直接可提取的claim

亮点与洞察¶

深刻的模态差异洞察：不是简单说"需要多模态"，而是精确分析了口语和对话两个维度各自带来的具体挑战，这种分析框架对后续研究有指导意义
跨集节目的视角：指出虚假叙事可能跨多集播客逐步构建，这是一个被严重忽视但极具现实意义的场景
对隐含虚假信息的关注：播客中的虚假信息很多不是直接声明，而是通过修辞手法、选择性呈现和引导性对话间接传递，这对claim检测提出了根本性挑战
研究路线图：虽然是position paper，但提供了清晰的研究agenda，对想进入该领域的研究者有很好的引导作用

局限与展望¶

作为Position Paper，没有提出具体解决方案或实验验证
主要关注英语音频平台，其他语言和文化背景下的音频虚假信息可能有不同特点
未深入讨论技术实现层面的可行性，如如何大规模标注韵律特征、如何建模跨集节目的叙事链
对音频deepfake（声音伪造）与内容虚假信息的交叉问题讨论不足
未来需要构建包含韵律标注、说话人标注和对话结构标注的大规模音频事实核查基准

评分¶

新颖性: ⭐⭐⭐⭐ 首次系统论证音频虚假信息的独特性，口语性+对话性的分析框架有创新
实验充分度: ⭐⭐⭐ Position paper无实验，但文献综合全面
写作质量: ⭐⭐⭐⭐ 论证逻辑清晰，问题阐述到位
价值: ⭐⭐⭐⭐ 为音频事实核查这一新兴方向提供了重要的理论框架和研究路线图