语音语言模型中的拟声象似性与感知对齐研究

研究用真实人类语音录音评估语音语言模型（SLMs）的拟声象似性，发现其听觉判断与人类感知对齐较差，遗漏了驱动人类直觉的频谱倾斜等声学线索，开源模型也无法可靠地将听到的声音与对应形状关联。视觉对照实验排除了形状感知因素，表明问题在于语音表征方式，感知对齐依赖能捕捉人类听觉线索的语音表征而非更强视觉能力。