本研究探讨了大型语言模型（LLMs）在红队测试中的局限性，并提出通过代码混合和语音扰动的新策略。研究表明，利用语音错误拼写的混合提示，成功绕过安全过滤器，文本和图像生成任务的成功率分别为99%和78%，对多语言模型的安全性改进具有重要意义。

本研究探讨了SLAM-ASR在不同场景和语音条件下的鲁棒性，揭示了其在跨领域评估中的不足及语音扰动对性能的影响，为LLM-ASR模型的优化提供了见解。