Aletheia's Quest 是我折腾过的一个 AI 应用项目，目标很直白：用大模型和多媒体分析做一个“谎言检测器”。一轮完整回顾做下来，我的核心判断是：这个方向的难点根本不在模型选型，也不在算力，而在数据、评估和伦理边界。下面这部分内容，写给正在做 AI 应用开发、想尝试多模态分类、或者准备把大模型接进访谈分析、内容审核、客服质检这类场景的人。我会按实际推进顺序展开：先做文本，再做语音和表情，最后聊评估和边界。如果你期待的是“准确率 95% 的测谎神器”，可以现在关掉页面。这个方向上不存在那样的产品，硬做一个出来的效果大概率接近抛硬币。
1. 先定义清楚：谎言检测器到底在检测什么
1.1 谎言不是一个可以直接标注的变量
很多项目一开始就犯同一个错误：把“说谎”当做一个普通分类标签，给数据打 0/1，然后丢进模型训练。问题在于，“说谎”是一个潜在状态，没有直接可见的信号。我们能拿到的只有文本、语音、面部动作、生理反应这些外在观测值。说谎的人可能心跳加速，被冤枉的人也会心跳加速；编造的故事可能细节丰富，真实经历也可能被讲得干巴巴。所以模型学的并不是“是否说谎”，而是“这些特征与训练样本里说谎标签的相关性”。
这个区别决定了整个系统的输出形式。正确的做法是借鉴司法心理学里已有的方法，比如真实性监控和标准内容分析：把陈述拆成“是否有感官细节”“是否有时间空间信息”“是否逻辑一致”“是否有回避”等维度，再基于维度给出结论。这比直接输出一个“liar”要科学得多，也更容易向用户解释。
1.2 不同模态能提供什么信号
我一开始也想直接上多模态，后来发现每个模态的数据管线、出错方式和评估标准都不一样，必须拆开设计。下面是我整理过的一张对比表，基本决定了我后面每一步的优先级：
| 模态 | 获取难度 | 可用特征 | 可靠性 | 落地成本 |
|---|---|---|---|---|
| 文本 | 低 | 内容矛盾、细节量、回避话术、时态一致性 | 中 | 低 |
| 语音 | 中 | 停顿长度、语速、音高、能量 | 中低 | 中 |
| 面部/视频 | 高 | 动作单元、注视方向、头部姿态 | 低到中 | 高 |
| 生理信号 | 很高 | 皮电、心率、瞳孔 | 中（仅限实验室） | 很高 |
这张表的核心判断是：不同模态的可靠性差异很大。尤其要提醒一点，很多商用工具天天宣传微表情识别，但微表情在受控实验里都不稳定，放到真实摄像头、弱光、遮挡、低帧率的条件下，基本当不了决策依据。所以我在项目里把视频和生理信号都放在“实验室可选”的位置，产品主线始终是文本。
2. 踩得最深的一个坑：没有标准答案，就没有训练目标
2.1 真实谎言数据为什么难拿
做谎言检测，最核心的原料是“确定某人说了谎”的标注数据。但真实世界里，谎言的确定非常困难。法庭宣判一个人败诉，不代表他说谎；伴侣承认出轨，但之前的否认才是谎言，而这个“否认”通常没有录音。公开研究里常用的数据来源大致有几种：模拟犯罪场景（让被试假装偷东西再接受询问）、招募被试讲真话和编造自述、法庭或新闻发布会的公开陈述。每种数据都有明显的分布偏差：模拟犯罪的谎言风险低，被试没有真实压力；法庭陈述又混杂了法律策略和律师指导。
我自己做过一次粗糙的样本统计，数量不大，只用来判断方向：公开可用的谎言文本数据，绝大多数属于“低风险、被指示、表演性质”的谎言。用这种数据训练出来的模型，学到的是“人们在表演说谎时的文本模式”，而不是“人在真实压力下试图欺骗时的模式”。这两者的特征分布可能完全不同。
2.2 低风险表演谎言会把模型带偏
这个问题在学术里叫标签构造偏差。你让被试“请编一个假期故事，我们会通过摄像头看你”，被试知道这是实验，没有真实后果，撒谎时的动机、情绪、策略都不一样。更要命的是，很多数据集的标签只有“真/假”，没有细化到“这句话内部的哪个事实是假的”。结果模型只能学到整体分布差异，一旦输入换一个场景，准确率立刻掉下来。
所以后来我不再追求“真实大谎言数据集”，那个东西短期拿不到。我换了一个思路：不检测“这个人是否在撒谎”，而是检测“这句话是否与可验证事实矛盾”。这是一个窄得多的任务，但它有明确的监督信号，比如已知事实库、时间线、合同条款、客服工单记录。有了这些，我就可以标注“矛盾/一致/无法验证”三类，模型的目标变得可定义，评估也变得可重复。
2.3 我建议的最小数据验证方案
给同样被困在数据问题里的人一个最小方案：
- 把任务限定在一个具体场景，例如“客服对话中，用户对订单状态的描述是否与系统记录一致”。
- 准备 100 到 200 条对话样本，只标三类：一致、矛盾、无法验证。
- 先不微调，直接用大模型做零样本提示，看基线表现。
- 人工抽查 20 条错误样本，找到模型最常见的失败模式，再决定是改提示词、加检索，还是微调。
这个方案的核心是“收窄任务”。不要在第一个版本就做通用测谎，通用测谎没有监督信号，做出来只能靠感觉。
注意：先跑 20 条小样本再上全量，主要看输出格式是否稳定，而不是看准确率。
3. 第一版原型：从文本和结构化输出开始
3.1 为什么先做文本
原因有三条。第一，文本是最容易标准化的输入，不需要考虑摄像头、麦克风、采样率、光照；第二，大模型对文本矛盾、回避、含糊的表达非常敏感，零样本能力已经够做一个不错的基线；第三，实际场景里文本最通用，无论是聊天记录、访谈转写还是客服工单，都是文本。语音和视频想好了可以往管道里加，但不会影响核心流程。
顺带说一个观察：现在检测“AI 生成文本”已经不算难，因为生成器会留下统计痕迹；但检测人类谎言几乎没有任何稳定的“谎言痕迹”。文本里能用的更多是“事实核验”和“陈述逻辑”，而不是夸大语言特征的作用。
3.2 从“判断真假”改成“提取可验证声明”
第一版提示词我写得非常简单：直接问“这个人是不是在撒谎”。后来发现输出很不稳定，同一个问题换个说法，答案就变。原因是大模型对“撒谎”这种抽象判断没有统一标准，它会在“可能是”“基本是”“不是”之间随机漂移。
我改成让模型先做结构化提取，不给整体判断。具体来说，从每一段回答里抽取出若干“可验证声明”，每个声明对应一个事实状态，最后再汇总。这样模型的任务从“主观定案”变成了“抽出证据”，哪一步错了都能溯源。
3.3 提示词模板参考
下面是我后来一直在用的提示词结构，你可以复制改写成自己的场景。这里刻意做了泛化，没有绑定任何具体业务：
你是一位陈述分析助手。你的任务不是判断对方是否说谎，而是对一段陈述做结构化拆解。 请完成以下步骤： 1. 提取陈述中所有“可验证的事实声明”，例如时间、地点、金额、动作、状态、因果推断。 2. 对每个声明，结合给定的背景事实或知识基线，给出状态： - supported：与背景事实一致 - refuted：与背景事实矛盾 - unverifiable：无法从背景事实或常识判断 3. 单独标注“回避”现象：例如直接跳过问题、使用过于宽泛的表述、转移话题。 4. 输出 JSON，不要输出额外解释。 请确保每个声明的状态都有依据，宁可给 unverifiable，也不要强行判断。这个提示词的关键点有三个：把“整体真假”换成“逐条声明”；给三种状态而不是两种；明确要求宁可无法验证，也不要强行判断。这样的输出才能被下游规则引擎和人工复核使用。
3.4 输出怎么用：置信度、第三状态和阈值
模型给出 JSON 之后，我在业务层加了一层规则，而不是直接信任模型的 token 概率。具体做法：
- 把温度设为 0，同一输入跑 3 到 5 次，观察关键字段是否稳定。自洽性比单次输出重要。
- 当出现 refuted 声明时，才算“高风险信号”；只有 unverifiable 不算，只能算“需要更多信息”。
- 最终展示给用户的不可能是“ta 在说谎”，而是“这些声明与已知事实矛盾：……”。是否升级为人工复核，由业务规则决定。
这样做的理由是：大模型的置信度不可靠，但它提取出的具体声明可以被人快速核对。系统越往后做，越像一个“证据整理器”，而不是测谎仪。
4. 第二版探索：语音、面部和生理信号，哪些能用
4.1 语音：停顿和音高只能做辅助信号
我第二版加了语音特征，用通用的音频特征提取工具处理访谈录音，得到停顿时长、语速、音高变化和能量包络，再和文本特征拼在一起。初步结论是：语音信号在“问答轮次”粒度上能提供一点辅助信息，但在“单句”粒度上噪声非常大。一个人语速突然变慢，可能是因为紧张，也可能是因为天气冷、信号差、或者刚才没听清问题。语音情绪识别在干净数据上表现尚可，一旦录音里混着背景音乐、多人说话、电话压缩失真，特征就乱了。
另外一个现实问题是疲劳和个体差异。有人撒谎时音高上升，有人撒谎时反而压低声线；同一套规则换个人就可能失效。所以我把语音的输出质量定成“可以支持优先级排序，不能单独定案”。
4.2 面部动作和“微表情”没那么可靠
面部这一块我也试过。用开源工具提取动作单元和注视方向，然后看哪些动作单元在真假陈述里出现频率更高。结果比较让人清醒：在有遮挡、光线不均、头部转动的视频里，动作单元的提取本身就会大规模出错，最典型的是把皱眉识别成挑眉、把眯眼识别成闭眼。微表情那条路更麻烦，真正的微表情持续只有几帧，普通视频的帧率和压缩率根本捕捉不到。
如果一定要用视频信息，我建议把它当作“行为描述”而不是“说谎指标”。比如记录这段回答里注视偏移了几次、双手有没有频繁触碰面部，这些描述可以提高人工复核的效率，但不能自动给人下结论。
4.3 生理信号：实验室里的效果，工程场景难复制
最后是皮电、心率、瞳孔这类生理信号。研究文献里它们和“唤醒度”确实相关，但唤醒度不等于欺骗。一个被冤枉的申请者，在被追问时心跳也可以很高。而且生理信号需要穿戴设备或专用摄像头，需要静息基线，需要控制环境噪音，这些条件在真实业务里几乎不具备。我做了一版传感器原型后放弃了线上化，只在受控的访谈实验里继续收集数据。
综合看，多模态的正确打开方式不是我一开始想的那种“所有信号一起上”，而是“文本做主判决，语音和视频做排序，生理信号做实验室研究”。每加一个模态，都要先回答一个问题：这个信号的噪声，会不会把原本就模糊的判断变得更模糊？
5. 评估是整个项目的分水岭
5.1 准确率在两分类任务里最容易骗人
第一个模型我报过 85% 的准确率，后来发现没意义。因为评估集里真话样本占了大头，模型只要一直输出“真话”，准确率就能到 80% 以上。真正要看的是混淆矩阵：哪些真的谎言被漏掉了，哪些真话被误判成谎言。在谎言检测这种场景里，误判真话的代价往往比漏掉谎言更大，所以精确率通常比召回率更优先，至少在“避免冤枉人”的方向上是这样。
如果你的业务目标是“不冤枉人”，就应该把精确率做高，允许召回率低一点；如果目标是“不放过可疑点”，才需要把召回率提上去，但这样用户会收到大量虚假警报。没有先想清楚业务代价就直接调模型，等于闭着眼睛开车。
5.2 低基率下的数学：一个必须知道的例子
这里给一个简单的贝叶斯计算，不涉及具体模型，只说明问题。假设场景里有 10% 的人真的在撒谎，模型对谎言的检出率有 90%，对真话的正确率也有 90%，也就是误报率 10%。那么当模型说“这个人在撒谎”时，实际为假的概率是多少？
# 假设 1000 人 liars = 100 # 10% 真的在撒谎 truth_tellers = 900 # 90% 说的是真话 # 模型表现 detected_liars = liars * 0.9 # 90 个被正确抓住 false_alarms = truth_tellers * 0.1 # 90 个真话被误判 # 模型报警后，真的在撒谎的概率 precision = detected_liars / (detected_liars + false_alarms) print(precision) # 0.5看到没有，即使一个模型看起来已经很不错，报警里也有一半是冤枉人的。低基率场景下的分类器就是这种数学现实。所以工程上不能只看建模指标，还要看业务阈值怎么设，以及报警后的复核流程怎么走。
这个例子说明，在低基率场景里，模型本身的精度远没有“阈值 + 复核流程”重要。
5.3 校准和人工复核
我的做法是给系统加了三档输出：无法判断、需要更多信息、存在矛盾。只有最后一种才允许触发“优先级高”的标记，而且所有自动标记都必须落到人工复核界面。复核人员能看到原始陈述、被提取的声明、以及判定状态的依据。同时我把每次提示词输入和模型输出都存到日志里，定期抽一批日志做校准，看模型说“refuted”的时候，人工复核同意的比例是多少。这个比例才是系统真正该追求的核心指标，而不是训练集上的准确率。
6. 伦理边界：这个系统不能变成一把失控的尺子
6.1 错误成本是不对称的
谎言检测最危险的地方，是错误成本不对称。如果系统把一句真话判成谎言，轻则让一个人失去面试机会，重则让一个人被长期怀疑；反过来，系统漏掉一句谎言，虽然也可能造成损失，但至少不会直接伤害一个无辜的人。所以在设计上，我坚持“误报优先避免”。这不是技术决策，而是产品决策。任何把“有风险”说成“确定在撒谎”的界面，都是把判断责任推给了模型。
如果这个系统用在招聘、客服质检、投诉处理这些场景，还要额外考虑：被分析的人知不知道自己的语音、文本正在被分析。很多“AI 测谎”宣传都没提这个前提，这是有问题的。
原理到Python实现与避坑指南)
