📄 同一段音频里，话语与环境声打架时模型听谁的
英文题目：One Waveform, Two Stories: Benchmarking Speech-Acoustic Conflict in Audio-Language Models
评分：7.0/10 | 创新 1.5/2 | 技术严谨 1.2/1.5 | 实验充分 1.2/1.5 | 清晰度 0.8/1 | 影响力 1/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 1/1.5
👥 作者与机构
- Wenbin Wang：机构信息未能在本次解析中与作者逐人可靠绑定
- Yuheng Li：机构信息未能在本次解析中与作者逐人可靠绑定
- Koichiro Yoshino：机构信息未能在本次解析中与作者逐人可靠绑定
📌 核心摘要
读者需要理解的对象是一段同时包含环境事件声和口语断言的录音，模型须依据环境证据回答语义、时间与空间问题，困难在于相容条件下答对可能只是复述口语，因此处理过程要求把环境证据、口语内容和提问分开衡量。论文构建的语音声学冲突评测集合先挑选环境录音并合成相容或冲突的口语断言，再将二者混合渲染为最终音频并保留无语音对照，该混合音频直接作为评测输入，以中性等提示提问后按声学正确率与跟随口语比例联合评分。语义部分判断事件是否存在或是什么事件，时间部分判断事件相对口语的前后关系与两个事件的先后顺序，空间部分判断声源方向与运动轨迹。评估引入跟随口语比例，它统计冲突题中选择口语暗示选项的比例，需要与声学正确率一起解读。在中性提示下，Qwen3-Omni的事件身份声学准确率在无语音条件下为84.6%，在冲突语音条件下仅为39.8%，冲突条件比相容条件低43.2个百分点；时间顺序无语音声学准确率为98.2%，冲突条件下为58.4%，冲突条件低于无语音条件。结论仅适用于合成断言与自由场无噪渲染及所测五款开源模型，空间结论限于Spatial-Omni的四通道输入，提示干预可能只降低跟随而不提升正确率甚至使时间状态任务下降，真实自发语音与实际环境尚未验证。原文未披露训练、推理或部署成本。
🔗 开源与复现资源
本次未形成可展示的已核验资源记录，开放状态尚未核实。
可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。
🧭 深度解读
模型要听的不是一句话，而是一段混在一起的录音
这篇论文面对的输入是一段完整的音频波形，里面同时有两类信息。一类是前景人声说出的主张，比如狗没有叫、门先响还是玻璃先碎、鸟从右往左飞；另一类是背景里真实发生的环境声，比如狗叫声、关门声与玻璃碎裂声、鸟飞动的声轨。模型的任务是回答关于环境事件的问题，正确答案只能以环境声为准，话语只是可能对也可能错的干扰。
初学者容易把能转写人声等同于理解了整段音频。论文要区分的是另一种能力：环境声本来就在波形里，模型能不能在话语唱反调时仍然用环境声做判断。如果话语与环境声一致，模型即使完全没听环境声、只跟话语走也能答对，所以相容时的高分说明不了接地。只有当两者指向不同答案时，选择才有诊断意义。
输出是选择题答案。语义任务问有没有某事件、是哪种事件；时间任务问事件相对话语段的前后、两个事件的先后；空间任务问声源在 38 个方向分区中的哪一个、沿大圆弧如何运动、是靠近还是远离。评价时只看环境声目标题的声学准确率，同时统计答案落到话语暗示选项的语音跟随率，两者配合才能说清错在哪里。
已有评测为什么还缺这一块拼图
此前的冲突研究大多处理跨模态矛盾，比如文字与图像、音频与视频、音频与外部输入的文字提示，发现模型会系统性偏向某一侧信息源。另一条线是单波形内的干扰，但集中在情感语调、说话人属性、场景氛围等语义或拟声层面，没有系统覆盖事件的时间结构与空间结构。
时间与空间评测本身是存在的。时间侧有点序、时长、定位；空间侧有方位、距离、关系与运动轨迹。但这些评测一般只测没有矛盾话语时的声学能力，没有把矛盾的口语描述交叉进来。于是出现一个空位：当话语明确说错时间顺序或说错方位轨迹时，时间与空间接地会不会也被带偏，尚不清楚。
本文的定位是把三件事拼起来。语义上区分事件存在与身份；时间上区分状态与顺序；空间上区分声学目标位置、话语声称位置与说话人自身物理位置。论文用表格对比说明，只有自家基准同时覆盖存在、身份、状态、顺序、位置、球面运动与径向运动 7 类事件冲突，并配有无语音对照与三源几何对照，这是与场景级或拟声冲突基准的差别，而不是简单的规模比较。
要解决的正是话语与环境声指向不同答案的情形
论文把研究对象命名为波形内语音声学冲突，指同一段音频里口语主张与环境声证据对发生了什么、何时发生、声源在哪如何动给出不相容的解读。举例就是波形里明明有狗叫，人声却说狗没有叫；明明是警笛，人声却说是钟响；明明门先响，人声却说玻璃先碎。模型必须按环境声作答。
难点在于两路信息共享同一个波形，无法靠模态标签简单屏蔽。话语更响亮、更符合语言先验，模型容易走捷径。更细的难点是空间任务里干扰有两层：话语在语义上说错方向，以及说话人声音本身从另一个物理方向传来，两者都可能把判断拉走，需要分开度量。
口语主张 × 环境声证据： 口语主张指同一段波形里前景人声说出的关于发生了什么、何时发生、在哪里的陈述；环境声证据指背景里真实可听的事件声音、顺序与空间线索。两者分工不同：前者是语言捷径，后者是需要听辨的依据，搭配在一起才能检验模型到底用哪一路信息做答。
论文因此提出 3 个可分离的评价量：无语音时能不能听对，相容与冲突之间掉多少，跟随话语的比例有多高。强对照配高跟随，就说明问题不在听不清，而在有话语时选错了依据。
基准如何把同一段环境声做出相容与冲突两个版本
整体流程是为每个环境声证据配一个口语主张，再渲染成最终音频并出题。同一段狗叫可以配说在叫的相容版，也可以配说没叫或说是警笛的冲突版；同一段门与玻璃的顺序可以配说对的顺序，也可以配说反的顺序。被评价的永远是环境事件，话语只是条件。空间任务还多一个维度，即说话人声音本身放在哪个方位或沿哪条轨迹运动。
为读懂任务划分，先看总览图。它把存在、身份、时间、空间四组冲突并排展示，每组都标出话语说法、声学真相与提问方式，有助于建立一问只看环境声的预期。
看图路径： 1. 先看顶部混合波形如何同时装下口语主张与环境声真相；2. 再看下方面板怎样把存在、身份、时间、空间分成四类提问；3. 注意每类都给出话语说法与声学真相不一致的例子
论文图 1。原论文 Figure 1:：“Overview of SAC-Bench. A single audio waveform contains spoken claims and environmental acoustic evidence that may imply conflicting interpretations.”。
上图确实可见顶部是一条彩色混合波形，右侧是模型要在跟话语还是跟环境声之间选择；下方四块面板分别举例存在问有没有狗叫、身份问到底是什么响、时间问谁先谁后、空间问鸟往哪飞。每块都同时给出矛盾的话语与声学真相，说明冲突是直接做在同一段输入里的，而不是外部再给一段文字提示。这种设计让相容与冲突、语音与非语音、语义与物理线索的比较有了共同起点。
相容条件 × 冲突条件： 相容条件是口语主张与环境声指向同一答案，模型答对可能靠听声也可能靠听话；冲突条件是两者指向互斥答案，只有坚持环境声才算接地。两者搭配的意义是把听懂能力与抗干扰能力分开，相容高分不能证明接地，冲突低分才暴露跟随话语。
语义任务怎样控制话语说法与响度
存在任务问目标事件是否可听，身份任务问环境声到底是哪一种。话语按极性与明确程度变化：明确主张直接点名目标，含蓄主张避开目标词及其同义词，否定身份主张否认目标但不暗示无声。每条主张再与目标事件、无事件、相近或相远的替代事件配对。相近与相远先用 CLAP 文本嵌入筛出语义较远的候选池，再用 AudioSet 本体上的 Lin 相似度选近与远，避免只按词面相似选替代。
响度控制用语音事件能量比来刻画，它计算语音段与事件段有效值的对数比，固定语音电平、调节事件增益来达到从负 10 到正 10 分贝的五档。语义渲染把语音与事件在时间上居中对齐，若需限幅则对混合整体做公共衰减。无事件条件只有语音，无语音对照则保留原环境录音。
\[\rho=20\log_{10}\frac{\operatorname{RMS}(s)}{\operatorname{RMS}(e)}.\]该式先形成语音与事件各自的有效值再取比值换算成分贝，决定了话语相对环境声有多突出。后续跟随率随该比值上升而上升，但论文提醒这同时改变可懂度与掩蔽，不能单归因于语言偏好。存在用录音级平衡准确率，身份用题目级准确率，冲突时还统计落到话语暗示选项的比例。
时间与空间任务怎样避免掩蔽并拆开两层干扰
时间状态把事件放在完整话语段之前或之后，话语只做时间参照，不做证据；时间顺序把两个环境声以 0.2 秒间隔拼接，话语放在整个事件序列之后再隔 0.2 秒出现。这种把话语后置的做法很关键，它让顺序失败无法简单用同时掩蔽来解释。顺序的相容与冲突共用同一句话语、只反转声学顺序，无语音对照保留对应顺序。
空间用 38 个球面 Voronoi 分区表示方向，做法是把单位方向向量与 38 个站点向量做内积取最大者归属。静态位置按声学真相与话语声称的角距离分同、近、中、远、对跖五档；球面运动沿大圆弧走恒定半径，话语可说真实、反转或中点正交轨迹，说话人轨迹也可独立取这三者或无空间；径向运动固定方向、距离在 0.5 到 2.0 米之间线性变化，话语说靠近或远离，说话人同向或反向。
\[Z(\mathbf{u})=\arg\max_{i\in\{1,\ldots,38\}}\mathbf{u}^{\top}\mathbf{c}_{i},\]该式说明方向归属是先有连续方向向量、再按与哪个站点最对齐来离散化成分区编号，后续 38 选 1、4 选 1 与 2 选 1 的随机基线据此而来。空间渲染分双耳声与 1 阶 Ambisonics 两种格式，无回声、无额外加噪，空间语音按 0 分贝有效比校准，同一环境渲染配无语音对照以便算吸引度。
没有训练新模型，工作量在数据构造与渲染
本研究没有训练新的音频语言模型，5 个被测模型都是现成开源权重，评测是零样本直接作答。所谓训练一节在这里对应的是基准的构造过程，即如何得到可复现的最终音频路径。理解构造才能理解结论的适用边界。
先看构造流水线全图，它把六步串起来，从选声、写话、配对到渲染成库，每步的输入输出都很具体。
看图路径： 1. 沿 1 到 6 的编号看从选声、合成话语到渲染成库的完整链路；2. 注意第 4 步如何把相容与冲突配对并保留无语音对照；3. 看第 5 步区分单声道与双耳声和一阶 Ambisonics 的用途
论文图 2。原论文 Figure 2:：“SAC-Bench construction pipeline, from environmental audio selection and spoken claim synthesis to conflict generation, audio rendering, and evaluation.”。
图中可见第 1 步从 FSD50K 按高置信单事件、2 到 31 秒 6 个时长档筛选；第 2 步用模板与模型生成明确与含蓄主张并用语音合成得到自然多样的口语；第 3 步按存在、身份、时间、空间实例化；第 4 步组成相容与冲突配对并保留音频对照与语音对照；第 5 步渲染单声道、双耳声与 FOA 并控制距离、多普勒与语音事件比。第 6 步落成 616031 条独立音频与元数据及自动评分工具，开发集 393010 与评测集 223021 的划分说明评测只用穷尽标注的评测划分。
合成语音用固定说话人与语速、归一化电平与采样率来保证跨条件可比，同一环境录音在匹配族内复用，只是换主张、顺序或空间几何。自然录制的全部组合难以规模化与标准化，这是用合成与渲染的代价，也是向真实自发语音推广时的限制。
测什么、怎么算分、提示词动了哪里
评测比较 3 类条件。无语音对照测声学能力，相容条件看话语说对时是否更高，冲突条件看话语说错时掉多少。存在用录音级平衡准确率，即每个录音内是与否两类召回先平均、录音之间再平均；身份与时间顺序用题目级声学准确率。空间用源录音与事件类逐层平均，防止渲染变体多的源主导分数。
语音跟随率只在有明确话语暗示答案且与正确答案不重合的冲突题上计算，分子是选了话语暗示选项的答卷数。它刻画错误的方向而非全部错误占比，否定身份主张若无唯一暗示答案则不计入。论文强调分母不同，准确率与跟随率的数字不能直接相加到 100%。
\[\mathrm{SFR}=\frac{1}{|\mathcal{D}|}\sum_{i\in\mathcal{D}}\mathbb{I}[\hat{y}_{i}\in\mathcal{S}_{i}].\]该式先依据主张标注定出每题的话语暗示选项集合，再在符合条件的答卷集合上平均是否命中。提示词比较保持题目与选项不变，只加干预句：中性无附加指示，声学接地要求只按环境声作答，冲突感知进一步点明话语可能虚假并要求独立判断。空间主问题用全部 3 种提示，诊断题与无语音对照用中性提示。
无语音对照 × 语音跟随率： 无语音对照是去掉人声只保留环境声的版本，用来测模型本身能不能听出来；语音跟随率是在冲突题里回答落到话语暗示选项的比例，用来刻画错误的方向。两者搭配才能区分是听不清还是听清了却跟话走，前者看对照准确率，后者看跟随率。
数据规模与任务划分为何影响结论稳定性
要理解后文每格样本量与误差线，先看基准按任务列出的独立音频数。语义两任务占大头而时间与空间样本较少，这决定了语义结论更稳，空间结论依赖匹配族与类别自助。任务行有重叠，总数是并集而非求和。
| Task | Dev | Eval | Total |
|---|---|---|---|
| Presence | 160,663 | 81,892 | 242,555 |
| Identity | 160,658 | 81,892 | 242,550 |
| Temporal State | 2,884 | 1,520 | 4,404 |
| Temporal Order | 4,304 | 2,258 | 6,562 |
| Static Location | 36,346 | 28,200 | 64,546 |
| Spherical Motion | 17,620 | 14,638 | 32,258 |
| Radial Motion | 18,930 | 15,764 | 34,694 |
| All tasks (union) | 393,010 | 223,021 | 616,031 |
上表按任务列出开发集、评测集与总数，存在 242555 条、身份 242550 条，时间状态 4404 条、时间顺序 6562 条，静态位置 64546 条、球面运动 32258 条、径向运动 34694 条，去重后总数 616031 条。评测只用评测划分的 223021 条。这种不均衡意味着后文时间顺序每格 760 题的源簇区间较窄，而空间匹配族的类别自助区间会更宽，解读时要区分主效应与交互项的证据强度。
无语音能听对，不等于有冲突话语时不跟错
比较问题是在题目与选项固定、只换有无话语与话语对错时，声学准确率掉多少、跟随率有多高。指标方向是声学准确率越高越好，跟随率越低越少被带偏。存在看录音级平衡准确率，身份与时间顺序看题目级准确率，差距是相容减冲突的条件聚合差距。
| Model | Audio-only | Compatible | Conflict | Gap | SFR |
|---|---|---|---|---|---|
| Event Presence (BAcc) | |||||
| MOSS-Audio-8B | 81.2 | 78.5 | 65.7 | 12.9 | 67.5 |
| Audio Flamingo Next | 84.0 | 85.2 | 71.1 | 14.1 | 67.8 |
| Qwen3-Omni | 91.3 | 89.0 | 79.3 | 9.7 | 64.2 |
| Step-Audio-2-mini | 85.8 | 79.9 | 67.8 | 12.0 | 74.7 |
| Spatial-Omni (SO-30B) | 73.1 | 72.8 | 69.3 | 3.5 | 64.6 |
| Event Identity (accuracy) | |||||
| MOSS-Audio-8B | 46.7 | 57.4 | 29.1 | 28.4 | 60.9 |
| Audio Flamingo Next | 81.4 | 76.2 | 35.6 | 40.6 | 71.5 |
| Qwen3-Omni | 84.6 | 83.0 | 39.8 | 43.2 | 70.5 |
| Step-Audio-2-mini | 88.0 | 79.4 | 32.9 | 46.5 | 80.8 |
| Spatial-Omni (SO-30B) | 78.2 | 76.1 | 51.3 | 24.8 | 47.0 |
| Temporal Order (accuracy) | |||||
| MOSS-Audio-8B | 94.0 | 94.2 | 43.6 | 50.7 | 56.4 |
| Audio Flamingo Next | 87.4 | 89.6 | 27.6 | 62.0 | 71.8 |
| Qwen3-Omni | 98.2 | 99.7 | 58.4 | 41.3 | 41.6 |
| Step-Audio-2-mini | 72.6 | 96.8 | 7.5 | 89.3 | 92.4 |
| Spatial-Omni (SO-30B) | 92.7 | 86.2 | 70.5 | 15.7 | 29.5 |
上表是中性提示下的核心结果，保留原任务分组与各自指标。存在分组中 Qwen3-Omni 的 91.3、89.0、79.3、64.2 是平衡准确率；身份分组中 Qwen3-Omni 的 84.6、83.0、39.8、70.5 是准确率与跟随率；时间顺序分组中 Audio Flamingo Next 的 87.4、89.6、27.6、71.8 与 Step-Audio-2-mini 的 72.6、96.8、7.5、92.4 都是顺序准确率。可见无语音时 Qwen3 身份 84.6%、顺序 98.2%，Step-Audio 身份 88.0%，确有较强声学能力。
但冲突下存在掉 3.5 到 14.1 个百分点，身份掉 24.8 到 46.5 个百分点，顺序掉 15.7 到 89.3 个百分点。Step-Audio 顺序从无语音 72.6%、相容 96.8% 跌到冲突 7.5%，跟随率 92.4%，是听得清却跟话走的极端例子。身份五选一跟随率 47.0% 到 80.8%，远高于 20% 随机参照，但跟随率本身不等于所有错误都由话语造成。
声学准确率 × 语音跟随率： 声学准确率是答案与环境声真相一致的比例，方向是越高越接地；语音跟随率是答案落到话语暗示选项的比例，方向是越低越少被带偏。两者必须一起看，因为跟随率下降可能是换了另一种错法，只有声学准确率同步上升才算真正回到环境声。
响度、说法与时间结构如何改变跟随程度
第二个比较问题是冲突敏感度是否随语音事件比、主张表述与时间结构变化。中性提示下语音事件比从负 10 升到正 10 分贝，身份跟随率上升 11.9 到 25.0 个百分点，存在上升 6.3 到 17.7 个百分点；即使在负 10 分贝、话语更轻时，身份跟随率仍有 39.2% 到 65.6%，高于 20% 随机线。明确陈述比含蓄陈述跟随率高 13.7 到 29.1 个百分点。存在还表现出极性不对称，但因极性与目标是否存在耦合，只能说条件依赖行为，不能单归因于措辞。上述趋势对应原图 4，横轴是语音事件比，纵轴是跟随率，虚线是随机参照，阴影为源簇自助区间。
时间结构的差异要看原图 5，它纵轴是声学准确率，蓝色为相容、橙色为冲突，误差线为 95% 源簇自助置信区间，每模型条件格 760 题。左图为时间顺序、右图为时间状态。
看图路径： 1. 对比左图时间顺序与右图时间状态在相容与冲突下的柱高变化；2. 注意蓝色相容柱与橙色冲突柱的落差只出现在左侧顺序任务；3. 看每格 760 题下误差线是否很短以判断差异是否稳定
论文图 5。原论文 Figure 5:：“Acoustic accuracy under compatible and conflicting claims for (a) Temporal Order and (b) Temporal State.”。
上图确实可见左图 5 个模型冲突柱均大幅低于相容柱，Step-Audio 冲突仅个位数，Qwen3 冲突约 58%，Spatial-Omni 冲突约 70%；右图时间状态则没有同样模式，相容与冲突柱高基本持平甚至冲突略高。误差线很短说明差距不是抽样噪声。关键教学点是顺序的话语在整个事件序列之后才出现，同时掩蔽解释不了这么大的跌落，冲突敏感在时间任务内部也有结构差异。
空间匹配族进一步拆开语义与物理两层。以环境真相为基准，只反转语义主张时运动准确率低 9.9 个百分点，只反转说话人物理轨迹时低 20.1 个百分点；正交轨迹对比分别为 15.8 与 13.0 个百分点。带空间语音时对主张与对说话人的吸引度分别为 17.1 与 19.3 个百分点，区间都在零以上，而径向仅 0.6 个百分点且区间含零。7 个交互项区间都含零，不支持非加性干扰的结论。
看图路径： 1. 看前两幅中把语义主张与说话人轨迹分别换成替代项的影响；2. 注意第三幅中冲突吸引度量相对零线的偏移方向；3. 对比径向任务几乎贴零，说明干扰具有任务依赖性
论文图 6。原论文 Figure 6:：“Claim and speaker cues in Spatial-Omni’s FOA motion task.”。
上图前两幅可见无论反转还是正交轨迹，把主张或说话人线索换成替代项都会拉低准确率，且物理线索的点估计有时更大；第三幅可见位置与运动对两类目标都有正向吸引，径向贴近零。虚线分别是 25% 随机线与零吸引线，误差线是类别自助区间。这说明空间判断同时受话语说什么与声音从哪来影响，但点估计大小之争不等于机制因果，且结论限于有能力的运动任务与符合条件的 FOA 输入。
改提示词能拉回多少，又在何处翻车
干预比较保持题目选项不变，只换中性、声学接地与冲突感知 3 种提示，看声学分数与跟随率的配对变化。右移表示跟随率下降，上移表示声学分数上升，只有右上才是真正改善。空间基线先说明能力边界，再看干预是否有效。
| Task | Chance | Audio-only | Speech (NS) | Speech (S) |
|---|---|---|---|---|
| Location | 2.6 | 31.3 | 21.0 | 21.5 |
| Motion | 25.0 | 50.5 | 35.0 | 33.2 |
| Radial | 50.0 | 50.3 | 49.2 | 49.7 |
上表是空间在符合条件 FOA 输入上的中性基线。位置无语音 31.3% 高于 2.6% 随机线，运动 50.5% 高于 25% 随机线，说明有一定声学能力；径向 50.3% 贴着 50% 随机线，限制了对其冲突诊断的解读。带语音后位置约 21%、运动约 33% 到 35%，无论说话人是否空间化都低于无语音，说明只要叠加话语就会掉，但该表把相容与冲突混在一起，方向性要看匹配族与吸引度。本表数值与单位依据论文 PDF。
时长分布解释了为何语义与顺序的主效应更稳，而空间与提示交互的区间更宽，总时长 2069.9 小时中语义两任务各约 780 小时，空间三任务合计约 450 小时，时间两任务合计不足 80 小时。
| Task | Unique clips | Hours |
|---|---|---|
| Presence | 242,555 | 781.8 |
| Identity | 242,550 | 786.6 |
| Static Location | 64,546 | 194.6 |
| All tasks (union) | 616,031 | 2,069.9 |
上表把时长也纳入比较，存在 781.8 小时、身份 786.6 小时、时间顺序 54.9 小时，去重总数 2069.9 小时。回到干预数字，Qwen3 身份从 39.8% 升到 59.3%、跟随率从 70.5% 降到 40.9%，顺序从 58.4% 升到 85.1% 且 204 修对仅 1 修错，说明提示有时确实能恢复接地。但 MOSS 存在在冲突感知下跟随率从 67.5% 降到 24.1%、平衡准确率却从 65.7% 到 64.9% 基本不动，细看是是召回从 69.9% 跌到 35.4%、否召回从 60.8% 升到 94.5%，即用偏向否来压低跟随，而非更好地听出事件。Step-Audio 时间状态从 78.9% 跌到 55.5% 与 56.3%、跟随率反升，216 修错对 38 修对，是明确的负迁移。运动的 3 种提示声学分数 33.2%、32.9%、33.6% 几乎不动，且报告未给配对跨策略区间，只能作描述性比较。
声学接地提示 × 冲突感知提示： 声学接地提示要求只按环境声作答、不把说话内容当证据；冲突感知提示进一步点明话语可能虚假、应视作不可信并独立判断。两者分工是干预强度不同，前者划清证据边界，后者明确点出冲突，组合比较能看清提示在何时拉回接地、何时只改变偏向。
这些数字在什么条件下才成立
结论的适用条件要先说清。相容与冲突的差距是条件聚合差距，不是固定环境波形的配对因果效应；空间匹配族固定了环境声但话语波形仍可不同，所以是描述性干扰而非内部机制。空间结论只限符合条件的 Spatial-Omni 的 FOA 输入，超长与双耳声请求被跳过，跨提示差异没有配对区间。
测量本身也有边界。语音跟随率只在有明确话语暗示且与正确答案分离的题上定义，否定身份主张多被排除；吸引度对照不要求对照答对，无效作答按零处理；提示比较中缺配对的模型任务组合被省略。合成语音与渲染空间场景可规模化与标准化，但向自发语音与真实房间的推广未经验证。
还有一个易误解点。无语音高分只证明隔离时能听，不能推出混合时一定用环境声；跟随率低也不等于听对了，可能是换了另一种错法或无效作答。原文明确区分声学能力、冲突稳健性与干预效果 3 个属性，任何只看单指标的胜负排序都会夸大或误读。
要复现先从哪一步搭起，需要哪些信息
复现第一步是按附录重建数据划分与配对，而不是直接跑模型。先用 FSD50K 原划分、去冗余祖先标签、只留单事件与全正 PP 与 PNP 评级，按 2 到 31 秒六档与类别抽 5 个源录音；再按 CLAP 距离与本体 Lin 相似度定近远替代与 4 个选项，用固定种子保证顺序与选项在匹配族内一致。语音合成与渲染参数、0.2 秒间隔、话语后置、0 分贝空间语音比都要原样保留，否则相容冲突对比会失真。
跑模型时用模型原生音频接口、关闭采样、每请求单答、无演示与转写，存在与身份等用宽松解析、空间用末行选项解析，无效作答计错、缺失与跳过不入分母。统计用源簇或事件类自助 1000 次、种子 42，空间按类重采样并保留类内录音组。核对时注意存在是录音级平衡准确率、身份顺序是题目级准确率、空间是源与类宏平均，百分点与相对百分比不可混用。
关于可用性，本次可获得的证据尚不足以确认作者资源已公开，因此本文不声称代码、模型或数据已公开。复现应以论文正文与附录的参数表为准，按上述链路自建流水线，并保留题目、选项顺序与提示原文以保证配对可比。
什么时候值得借鉴，还缺哪项验证
当你的任务音频里本来就有人说话，且关心模型是真听见还是跟话走时，这套冲突思路值得借鉴。存在与身份适合先做快速筛查，时间顺序适合检验后置话语的顽固跟随，空间运动适合拆开语义主张与说话人方位两层拉扯。提示干预可作为低成本探针，但要同时看声学分数与跟随率，避免把偏向否或换错法当成改善。
还缺的验证有 3 类。一是真实自发语音与真实房间脉冲下的重复，当前合成与无回声渲染只是可控近似；二是跨提示的配对区间与更多模型的空间全量比较，当前空间只报告单模型的描述性差异；三是机制层面为何顺序崩而状态不崩、为何物理轨迹有时比语义主张拉得更狠，当前数据只支持现象描述，不支持内部通路结论。
一句话收束：听得出来不等于冲突时用得上，压住跟话也不等于听得更准，3 个属性分开测才不会被相容高分与跟随下降误导。
📎 论文与评分元数据
排名：前50% | 文档类型：数据集与基准 | arXiv 原文
⚖️ 评分明细
评分属于系统判断，不是论文实验结果；八维数值与总分见页首，原始审计记录保留在后端。
评分规则：type-aware-v1
评分模型：muse-spark-1.3-contributor
评分请求协议：openai_responses