内容摘要：这项由意大利特伦托基础科学研究基金会Fondazione Bruno Kessler，FBK）主导的研究，于2026年6月25日以预印本形式发布，论文编号为arXiv:2606.26968v1，归属计

这项由意大利特伦托基础科学研究基金会（Fondazione Bruno Kessler，意大研究音大语FBK）主导的利F漏洞研究，于2026年6月25日以预印本形式发布，所揭示语论文编号为arXiv:2606.26968v1，模型归属计算机科学（cs.CL）领域。安全研究人员可通过该编号在arXiv平台查阅完整论文。意大研究音大语

你是利F漏洞否曾质疑，当使用中文、所揭示语法语或西班牙语与AI语音助手交互时，模型其安全机制是安全否仍如处理英语时般严密？这不仅是技术细节，更关乎数亿用户的意大研究音大语安全隐患。该研究对全球大规模部署的利F漏洞语音AI系统进行了全面“质量抽查”，核心问题直指：当用户以真实人声使用非英语语言与AI交互时，所揭示语系统的模型安全性是否依然可靠？

一、研究团队与REDVOX数据集构建

研究由FBK机器翻译与多语言技术实验室的安全Beatrice Savoldi和Sara Papi牵头，联合Wafa Aissa、Matteo Negri和Luisa Bentivogli完成。团队摒弃了实验室合成数据，而是招募了来自7所欧洲研究机构的52名研究人员，利用其真实声音录制各类“越狱”请求，测试八款顶尖语音AI系统。由此构建的REDVOX数据集，是全球首个针对语音AI安全与公平性的多语言、真人声音基准测试集。

二、核心发现：非英语环境的“安全盲区”

结果显示，AI系统在非英语环境下的防线显著松动。更令人担忧的是，音频输入（即使是背景噪音）会削弱模型的安全判断，使其比纯文字输入更易被诱导。这表明AI存在“看人下菜碟”的现象：英语用户受到最严格保护，而其他语言用户则处于隐形安全盲区。

1. 多语言安全评估的缺失

研究团队审查了38款主流语音AI系统，发现仅11款（不足30%）提供安全评估文档，且绝大多数仅限英语测试。仅三款模型（SeaLLMs-Audio、Raon Speech、Phi-4-Multimodal）涉及多语言测试，其中Phi-4-Multimodal的数据未公开，无法复现。总体而言，仅约8%的系统提供多语言安全评估，意味着开发者对法语、西班牙语等非英语用户的安全表现缺乏系统性检查。

2. REDVOX：基于真人声音的“压力测试”

REDVOX采用真实人类使用场景设计，覆盖英语、法语、意大利语、西班牙语和德语五大语言，包含两个核心维度：
* 安全性：涉及违法犯罪、暴力等请求（如非法获取枪支、诈骗）。
* 公平性：针对社会群体刻板印象与偏见（如地域歧视、性别偏见）。

团队从SHADES（181条刻板印象条目）和M-ALERT（350条安全风险内容）中提取素材，由52名参与者录制真实人声，并搭配文字追问，形成“语音+文字”组合。此外，还设置了静音、环境噪音等对照组，以测试无关音频对模型的影响。最终数据集包含6118条条目（近10小时音频），因隐私原因公开版本缩减为3414条（26个声音），经统计验证仍具高可靠性（斯皮尔曼相关系数0.98）。

3. 评估框架：从“听懂”到“配合”

研究采用二维评估框架，考察AI是否“听懂”及是否“配合”有害请求，将回复分为四类：
1. 安全：听懂并明确拒绝。
2. 意外安全：未听懂而给出无害回答（碰运气）。
3. 争议性：含糊其辞，未明确拒绝也未支持。
4. 不安全：直接帮助或支持有害请求。

使用GPT-5.5作为自动评判员，经Whisper语音识别转写后评估。该系统在人工校验集上表现优异（“是否听懂”F1分数0.94）。

三、八款顶尖语音AI的表现差异

测试对象包括五款开源模型（Qwen2-Audio、Phi4-Multimodal、Voxtral、Qwen3-Omni、Gemma 4）和三款商业模型（Gemini 3.1 Flash-Lite/Pro-Preview、GPT-realtime-2）。

• 商业 vs. 开源：商业模型表现更佳，最差的“完全不安全”回复率不超过3.1%（GPT-realtime-2仅1.1%）；开源模型中，Voxtral高达21.9%，Phi4-Multimodal为16.1%。
• 灰色地带风险：几乎所有模型的“争议性”回复数量均超过“完全不安全”回复，表明漏洞常以含糊、半推半就的方式呈现。
• GPT-realtime-2的“耳背”策略：其“意外安全”率高达9.9%，部分“安全”回复源于未听懂问题，而非真正理解与拒绝。

四、语言壁垒：英语用户享有更高安全保护

按语言拆分结果，英语的“完全不安全”回复率为5.1%，而其他四种语言平均为10%，差距接近两倍。在开源模型Voxtral中，西班牙语和法语的不安全率高达28%，而英语仅为14%。

• 原因分析：模型的安全对齐数据主要基于英语，非英语训练材料匮乏，导致非英语环境下的“免疫力”较弱。
• 类比：如同保镖仅接受英语环境培训，对非英语威胁警觉性降低。
• 争议性差距：英语下约10.3%，非英语平均13%，差距较小，表明语言不平等主要集中在“直接有害”输出端。

五、公平性挑战：刻板印象更难识别

• 安全性请求：AI倾向于清晰拒绝，不安全比例可控。
• 公平性请求：“争议性”回复比例显著更高。因刻板印象的有害性具有文化情境弹性（如“德国人守时”是正面还是偏见？），AI常陷入两难，滑入灰色地带。
• 系统性盲点：模型易认同正面刻板印象，或在非弱势群体（如男性）相关的偏见提示下生成支持性内容，显示现有框架对微妙偏见强化缺乏应对。

六、声音效应：音频输入削弱安全机制

对比纯文字、无关音频（静音/噪音）和真实语音输入，发现音频存在本身会干扰安全判断：
* 梯度效应：纯文字不安全率最低，配无关音频稍升，真实语音输入上升最多。
* Voxtral案例：纯文字争议+不安全率约22%，配静音升至42%，真实语音达43%。
* 机制解释：多模态模型的安全对齐主要基于文本，音频模态分散了注意力，削弱了保护机制。Qwen3-Omni表现例外，跨模态安全一致性较强。商业模型虽较稳定，但仍受此效应影响。

七、伦理反思：语音采集的人文代价

REDVOX的真人录音过程揭示了语音安全研究的伦理挑战：
* 心理不适：61.5%的参与者在录制并发布有害语音时感到不舒适，远高于文字版本。
* 身份风险：56.4%的参与者因大声说出有害内容而感到个人责任感冲突；43.6%担心声音被识别，导致声誉受损。
* 隐私需求：仅约50%参与者同意公开声音数据，强烈呼吁声音匿名化（48.7%）和严格隐私保障（28.2%）。
* 行业呼吁：研究强调需建立语音数据采集的劳动伦理和隐私保护规范。

八、REDVOX的独特性与局限性

相较于现有研究（如Achilles' Heel、VA-SafetyBench等），REDVOX的独特性在于：
1. 多语言：覆盖五种语言。
2. 双维度：同时考察安全性与公平性。
3. 真人声音：使用真实人声而非合成语音。
4. 公开复现：数据与代码完全开源。

局限性：
* 仅覆盖印欧语系高资源语言，低资源语言（如斯瓦希里语）漏洞可能更严重。
* 针对非对抗性自然请求，未测试专业“越狱攻击”。
* 仅测试单轮对话，未探索多轮交互动态。

九、结论与资源

该研究揭示了语音AI行业在全球化扩张中的系统性短板：安全测试以英语为中心，导致非英语用户面临更高风险。研究呼吁学界重视多语言语音安全评估及人文关怀框架。

• 完整论文：arXiv:2606.26968v1
• 数据集：Hugging Face (FBK-MT/RedVox，需申请访问)
• 评估代码：GitHub (hlt-mt/redvox)

---

Q&A

Q1：REDVOX数据集和普通的AI安全测试数据集有什么区别？
A：核心区别在于三点：①覆盖五种语言（英、法、意、西、德）；②同时测试“违法犯罪”与“刻板印象”两类有害请求；③使用52名真实研究人员录制的真人声音，而非TTS合成音。这使测试更贴近真实用户场景。

Q2：为什么同样的有害问题用语音问比用文字问更容易让AI给出危险回答？
A：因AI安全对齐机制主要基于文本理解。音频输入（即使无内容）会干扰模型的信息处理流程，削弱原本在文本层面运作的“安全过滤”机制。问题根源在于音频模态本身对安全判断的干扰，而非音频内容。

Q3：语音AI系统在非英语语言下更不安全，这个问题能怎么解决？
A：根本原因是安全训练数据过度集中于英语。解决方向包括：①增加多语言安全对齐训练数据；②建立更多非英语安全基准（如REDVOX）用于评估改进；③推动行业标准，要求语音AI在多语言环境下通过充分安全测试后方可上线。