語音承載的不只是言語。酒精中毒會在發音、語速與頻譜微變化中留下可測量的痕跡——這些是人耳至多只能不可靠地察覺的訊號。
XENOM 的研發團隊已訓練自有深度學習模型來偵測這些聲學生物標記，並在 Alcohol Language Corpus 上進行評估，這是此任務的標準公開基準。
以嚴格相同的標準計分——逐窗未加權平均召回率，每段話僅做單一決策且不投票，與先前研究的衡量方式完全一致——基於參考的配置達到 86.3% UAR。無需註冊基線、僅從單一語音樣本判斷的無參考配置則達到 81.9%。在部署的作業點上，系統會將一段錄音中的多個視窗結合成共識決策，分別提升至 87.6% 與 82.5%。
作為對照：此語料庫的官方 Interspeech 2011 Speaker-State Challenge 基線為 65.9% UAR，先前發表的最佳技術水準結果約在 73–75% 的峰值，未經訓練的人類聽者約為 60–65%。
此系統作為例行無線電通訊的被動層運作。工作者如常說話；無需額外程序、不會中斷工作、沒有單獨的檢查點。
系統能做什麼——以及不能做什麼。它不測量血液酒精濃度，也不能作為將工作者調離職務的依據。它是一線篩檢工具，指出誰需要關注，再由既有方式進行驗證。相關的比較對象不是酒測器，而是當今使用的替代方案：主管觀察，其表現大約在未經訓練聆聽的水準。
我們已發布跨聲學條件的完整結果——包括準確度下降的條件——以及可比較性注意事項和此方法的已知限制。