Исследователи представили ReListen — способ отвечать на вопросы о длинных аудиозаписях без предварительной расшифровки и дообучения модели. В препринте от 3 ноября они проверили его на Qwen3-Omni-30B-A3B-Instruct: та сама отбирает звуковые фрагменты, нужные для ответа.

Обычная расшифровка теряет неречевые звуки и особенности голоса, а целая запись занимает много контекста. ReListen сначала просматривает всё аудио перекрывающимися 20-секундными отрезками и оценивает их полезность для конкретного вопроса. Затем модель отвечает по трём выбранным отрезкам общей длительностью в минуту. Поэтому «минута» — объём аудио для окончательного ответа, а не вся проделанная работа.

В авторском испытании VoiceGiraffe на 1499 вопросах точность составила 62% против 52,8% при чтении полной расшифровки той же модели. Но на LongAudioSpan расшифровка оказалась сильнее: 59,6% против 53,5%. Прослушивание полной записи там дало 54,6%. Выбор фрагментов помогает сохранить звуковые подсказки, но не делает текстовый путь заведомо хуже.

Пока результат получен на одной модели и преимущественно английской и китайской речи. Это исследовательский метод, а не подтверждение готовности универсального аудиопомощника. Для каждого нового вопроса запись приходится сканировать заново; уже готовую расшифровку можно использовать повторно. Подсчёт повторяющихся событий авторы изучали отдельно, с обученными детекторами — обещание работы без дообучения на это расширение не распространяется.