一小时录音，AI 先找出最该重听的那一分钟
目录
想在一小时访谈里找一个细节，最麻烦的往往不是回答，而是想起它出现在哪里。如果问题问的是背景里的铃声，搜索逐字稿还可能找不到入口：那一声根本没有被写成文字。
香港中文大学（深圳）与微软研究者在 2026 年 11 月 3 日提交的预印本 ReListen，让音频模型先替自己找证据，再回到原声作答。论文全文
AI 概念插画，非论文实验图。
先筛片段，再听重点
基础流程不更新模型参数。研究者使用 Qwen3-Omni，把录音切成 20 秒片段，每次向前移动 10 秒，让模型逐段判断：这里有没有回答问题所需的信息？
系统读取“是”和“否”的概率来排序，选出三个互不重叠的片段，再按时间顺序交给同一个模型作答。三个片段合计一分钟，未必连续。
这一分钟只指最终作答材料。前面的扫描仍然处理整段录音。 可以把它想成查书时先逐页找线索，再摊开相关几页回答，而不是随手翻开一页就理解了全书。方法说明
找对位置，和答对问题是两件事
在 VoiceGiraffe 的 1,499 道选择题上，ReListen 的正确率为 62.0%；同一模型读取整段转写文本时为 52.8%，直接接收带时间标记的完整录音时为 51.4%。
论文另一个醒目的数字是 88.5%。它表示选出的片段与人工标注证据至少部分重叠，并非答对了近九成问题。
成绩也随题目改变。在更偏重语言内容的 LongAudioSpan 上，ReListen 正确率为 53.5%，完整录音为 54.6%，模型自己的全文转写为 59.6%。保留原声有价值，覆盖更多内容同样有价值。结果与对照
一分钟装不下所有问题
“刚才那声响是什么”，通常可以回到局部查证。“整场讨论怎样发展”，需要的材料可能散布各处；“第三次出现在哪里”，还必须数清前面每一次。挑最相关的片段，并不能保证这些要求都满足。
论文为出现次数与顺序问题增加了受监督扩展，包括另行训练的声音检测器，不能把这部分成绩也算成完全免训练。速度比较则按每段录音只问一个问题计算；反复追问时，文字稿可以复用，相关性扫描却要随问题重做。限制与扩展
这项工作的启发很具体：做录音助手，除了追求更长的输入，还可以认真设计“该回到哪里听”。对使用者而言，也值得把找到的时间位置和最终回答分开检查。能定位到原声，才方便追问一句：这段声音真的支持这个答案吗？
论文：ReListen: Training-Free Evidence Localization in Hour-Long Audio with Frozen Audio Language Models
作者与机构：Ming-Hao Hsu、Shujie Liu 等；香港中文大学（深圳）、Microsoft CoreAI、微软亚洲研究院
提交日期：2026-11-03，arXiv 预印本 v1