AI 연구연구 프리프린트
음성을 글로 길게 답하기보다 선택·판정·점수로 바로 내보낸다
원문 읽기 · arxiv.org ↗(새 탭에서 열림)Qwen-Audio-Jev는 음성 질문의 답을 문장으로 생성하는 대신 정해진 선택지, 참·거짓 확률, 품질 점수를 바로 내는 판단 헤드를 붙였다.
연구 방법
- Qwen-Audio-3.1-ASR-Flash-Next의 음성·언어 표현을 유지하면서 답 생성 직전 상태에 세 출력 헤드를 연결한다. 질문과 허용 답 형식이 각 표본의 결정 유형을 정하며 서로 다른 레이블이 붙은 음성 자료를 함께 학습할 수 있다. 이번 구현은 선택지 최대64개, 점수 단계 최대10개를 처리한다.
평가 결과
- 18개 설정 평가에서 MMAU-mini 분류 정확도 78.70%, MMSU 84.06%, VoxCeleb1-O 화자 확인 동일 오류율 6.50%, NISQA 전체 음질 점수 정규화 평균절대오차 0.1062였다. 논문이 시험한 추론 조건에서는 원래 음성 언어 모델보다 약20배 빨랐지만 In-the-Wild 딥페이크 판정은 문턱값 0.5에서 양성 57.29%를 놓쳤다.
적용 조건
- 속도는 특정 입력·하드웨어·출력 방식의 비교라 모든 서비스의 처리량을 보장하지 않는다. 작업별 원래 모델과의 품질 비교 및 배치·스트리밍 지연은 충분히 검증되지 않았고, 딥페이크 같은 민감한 이진 판단은 문턱값 조정과 별도 운영 검증이 필요하다.
함께 확인할 조건
- 속도는 특정 입력·하드웨어·출력 방식의 비교라 모든 서비스의 처리량을 보장하지 않는다. 작업별 원래 모델과의 품질 비교 및 배치·스트리밍 지연은 충분히 검증되지 않았고, 딥페이크 같은 민감한 이진 판단은 문턱값 조정과 별도 운영 검증이 필요하다.
출처와 편집 기준
arxiv.org · 연구 프리프린트 · 검수 2026.10.19 (KST)
요약은 원문의 핵심을 정리했으며, 커머스 인사이트는 편집 해석이다.