搜索
多会话语音记忆基准 VoxMem，专治音频大模型记不住「谁说的、怎么说」
2 小时前
针对长期语音对话场景下的评测痛点，墨尔本大学与新南威尔士大学联合团队推出了多会话语音记忆基准VoxMem。该基准采用“声学证据×记忆操作”的二维分类法，覆盖15种考察组合，且所有题目在不同历史长度（8K至64K）下保持不变。VoxMem共包含3196个评测实例、34743个语音会话，总计约177小时音频。对15个音频大模型的评测结果表明，在32K上下文长度下，所有模型的整体准确率均未超过40%。模型对语音语义的记忆表现明显优于对说话人身份、副语言线索及环境声等音频原生信息的记忆。同时，模型在追踪语气、背景声变化方面的准确率极低。随着历史长度的增加，各类信息的记忆准确率均有所下降。当前，音频大模型的语音记忆瓶颈主要集中在信息的识别、定位与关联绑定环节，而非推理操作层面。
