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Position Paper，本文不提出具体方法，而是从以下维度系统论证音频事实核查的独特挑战，并提出研究路线图：(1) 音频虚假信息的口语特性分析；(2) 音频虚假信息的对话特性分析；(3) 现有数据集和方法的审视；(4) 现有流水线的失败案例分析；(5) 未来研究方向。

关键设计¶

口语性维度的挑战分析（Spoken Properties）:
- 功能：论证为何转录无法替代原始音频
- 核心思路：韵律（prosody）——语调、重音模式可以改变声明的含义或增强说服力；语速（pacing）——刻意的停顿或快速语流可以引导听众注意力或掩盖逻辑漏洞；情感（emotion）——声音中的情感投射直接影响信息的可信度和说服力
- 设计动机：实证研究表明，相同文本内容以不同韵律表达时，听众的信任度和接受度显著不同。仅依赖转录进行核查会遗漏这些关键的说服力维度
对话性维度的挑战分析（Conversational Properties）:
- 功能：论证为何独立声明级别的核查在播客等对话场景下失效
- 核心思路：多轮展开——虚假信息不是单一声明，而是在对话中逐步构建，跨多个话轮展开；多说话人——主持人和嘉宾的互动中，虚假信息可能通过引导性提问、选择性同意等方式隐含传递；跨集节目——虚假叙事可能跨多集播客逐步建立，单集核查无法捕获
- 设计动机：传统事实核查假设每个claim是独立可验证的，但播客中的虚假信息往往嵌入在复杂的对话结构中，需要上下文才能正确理解和核查
现有流水线失败的系统分析:
- 功能：指出当前方法的具体不足并提出改进方向
- 核心思路：系统梳理claim检测、证据检索和裁决三个阶段在音频场景下的失败模式——claim检测无法处理隐含声明和跨轮claim；证据检索对口语表达的非标准形式匹配困难；裁决模型缺乏对音频说服力特征的建模
- 设计动机：只有准确诊断失败原因，才能有针对性地设计新的音频事实核查流水线

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