从说清是谁在说到读懂多人对话：MSU-Bench 的两层说话人诊断

英文题目：MSU-Bench: Towards Understanding the Conversational Multi-Speaker Scenarios

会议身份：conference:interspeech:2026:conference-paper-id:sun26j_interspeech

来源为官方会议 PDF；图片依据原页像素，表格数字依据原文引用。PDF 文字层不视为原始 TeX，未可靠恢复的结构不作推断。

会议来源：官方记录 · 官方 PDF

标签：#基准设计 #多语言 #语音 #音频问答

评分：7.0/10 | 创新 1.5/2 | 技术严谨 1.2/1.5 | 实验充分 1.0/1.5 | 清晰度 0.8/1 | 影响力 1.0/1.5 | 开源 0.0/1.5 | 可复现 0.3/0.5 | 工程/实践 1.2/1.5

排名：前50% | 文档类型：数据集与基准

👥 作者与机构

• Zhaokai Sun：机构信息未能从会议 PDF 纯文本可靠映射
• Shuai Wang：机构信息未能从会议 PDF 纯文本可靠映射
• Zhennan Lin：机构信息未能从会议 PDF 纯文本可靠映射
• Chengyou Wang：机构信息未能从会议 PDF 纯文本可靠映射
• Dehui Gao：机构信息未能从会议 PDF 纯文本可靠映射
• Yuang Cao：机构信息未能从会议 PDF 纯文本可靠映射
• Chunjiang He：机构信息未能从会议 PDF 纯文本可靠映射
• Pan Zhou：机构信息未能从会议 PDF 纯文本可靠映射
• Lei Xie：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

该基准输入为1至5分钟真实中英文多说话人对话音频，输出为四选一单字母答案，要求模型在重叠、打断与快速轮转等复杂条件下完成从谁在何时说什么到角色关系与意图的递进推理。构建链路由Gemini做对话质量筛选输出可用片段，接着由Volcano API与Gemini分别负责声纹分离转写与身份及副语言标注，再由Gemini结合音频、标注与任务提示生成候选问答，最后经8名音频背景人员全量校验只保留答案可判定项。相比单说话人或单任务评测，其机制差异在于两层任务递进与五种说话人指代方式及错误类型标注的干扰项设计，使时间接地定位与错归因可被分离诊断。在 9 个大音频语言模型 Large Audio Language Models / LALMs 的零样本评测中，Gemini-3-Flash 以 0.77 总体准确率领先最强开源 MiMoAudio 的 0.56。该结论仅适用于所选 8 个电话会议与媒体语料及客观选择题设置，未验证开放式生成与长时跨会议跟踪。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

输入是什么，目标是什么，这篇解读要交付什么？

这篇解读的输入是 MSU-Bench 论文的正文证据与两张官方原图像素，目标是让刚进入语音与音频语言模型方向的研究生能够核对事实并复述方法。必须保留的信息包括两层任务结构、16 个任务与 2300 个问答实例的规模、8 个语料来源与切分方式、标注与出题流水线、5 种说话人指代方式、四选一评测与 3 种诊断干扰项、9 个模型的零样本评测条件、主结果数字、指代方式对比、错误类型构成与人工核验数字。输出按学习依赖展开，先讲任务与相关路线，再讲方法全景与组件计算，然后讲构造与推理过程，接着讲实验条件与结果反证，最后讲复现与收束。

语音理解正在从做转写加若干独立小任务的流水线，转向直接听音频并生成自然语言回答的大音频语言模型。用白话说，前者是每个任务单独训练一个模块，后者是一个模型同时做感知与推理。英文名是大型音频语言模型，大音频语言模型后文简称 LALM。真实的多人对话带来快速轮换、打断、重叠，以及语速、情绪和风格随说话人变化的特点。只靠声学感知或只靠转写文本都不够，还需要知道每句话是谁说的，在多轮中保持说话人一致，并理解对话结构与互动关系。

MSU-Bench 要解决的矛盾是建模侧已经开始在模型内处理说话人与时间结构，但评测侧仍停留在单说话人或孤立子任务，缺少对真实多人对话中以说话人为中心的理解的诊断。论文报告的定位是诊断性基准，不是新的模型训练方法。它用两层结构把从细粒度归因到高层推理的能力分开，使得错误可以定位到接地层还是推理层。后续各节沿着一个样本走完输入到输出，再展开构造细节与评测数字，教学例子会明确标为例子，不把例子数值当作论文报告。

已有路线在解决什么，MSU-Bench 与它们如何对照？

第一条路线是面向说话人的建模改进。论文提到典型做法包括生成带说话人归属的结构化转写、引入说话人注册机制以实现可控归属、用紧凑时间标记或时间感知编码表示时间戳，以及进一步解耦内容与说话人身份并利用时间锚点提升在重叠与快速轮换下的稳健性。这些工作的共同输入是多人音频，目标是在模型内部加强说话人接地，也就是识别谁在何时说了什么。MSU-Bench 与这条路线是互补关系，它不提出新的接地模块，而是提供能区分时间定位失败与归因失败的评测。

第二条路线是已有语音评测。论文指出已有基准多聚焦单说话人或孤立子任务，例如自动语音识别、说话人确认、情绪识别和单句意图检测，对话级评测与说话人日志研究多衡量转写质量或边界误差，对真实多人对话中以说话人为中心的理解诊断有限。MSU-Bench 与这类评测的对照维度是同输入不同目标：输入同样可以是多人对话音频，但 MSU-Bench 的目标不是字错率或边界误差，而是说话人属性、身份、场景、结构与上下文推理是否正确。

第三条路线是通用语音理解基准，例如论文引用的 SUPERB 与 Dynamic-SUPERB 等多任务评测。它们的运行阶段多为单句级指令评测，监督来源是各类标注标签。MSU-Bench 的运行阶段是多人对话级多轮上下文评测，监督来源是经人工核验的四选一问答标签。类别差异不能直接当作同条件胜负，初学者容易误以为通用基准分数高就等于多人对话理解强，论文的对照提醒需要单独测量跨说话人、跨轮次的归因与推理。

要测的任务是什么，难在哪里？

MSU-Bench 要求每个实例至少包含 2 名说话人，覆盖中文与英文，采样自电话、会议、播客和电影 8 个语料，评估跨域稳健性。任务总数为 16 个，分属 5 个能力，组织成两层。第一层是说话人接地与识别，要求把属性、身份和说话人特定信息对应到具体说话人。第二层是多说话人对话推理，要求在上下文与话语结构上推理说话人关系、对话角色、动机与互动动态。

举一个教学例子帮助理解层次差异，例子不是论文原题：若问题问在 1 秒到 3 秒说话的人情绪如何，这是第一层，因为只需定位时间段并判断该说话人属性；若问题问第一位说话人的失望情绪如何影响第 3 位说话人的困惑，这是第二层，因为需要跨说话人建立影响链。论文用图 1 给出类似的从单人归因到多人影响的示例对比，初学者应先确认题干是指向单个锚点还是指向说话人之间的关系。

难度来自三方面。第一是声学条件复杂，电话、会议远场、播客与影视音频的混响、噪声与重叠程度不同。第二是说话人指代方式多变，模型有时拿到目标说话人音频片段，有时只拿到时间段或转写摘录，需要在不同线索下定位同一人。第三是干扰项有诊断意图，错误说话人选项使用对话中真实信息但安错人，幻觉选项引入合理但无音频支持的内容，未知选项考验模型是否把可回答问题误判为无法确定。评测要求模型只输出一个选项字母，用精确匹配计分，指令不遵守的情况单独计数。

两层结构与出题方式的全景是什么？

MSU-Bench 的方法全景可以沿一个样本走完。输入是一段 1 到 5 分钟的多人对话音频，附带说话人日志与转写、说话人身份、声音事件与副语言线索等标注。表示层把音频切成可评测的短片段与长片段，并为目标说话人构造指代。组件层按任务提示族生成四选一问题，输出层要求模型只回答字母，由精确匹配准确率按任务、能力组、层级与指代方式汇总。目标是得到可复现的客观分数，同时通过干扰项选择映射到诊断错误类型。

论文围绕 5 个维度组织设计：多层、多说话人、多语言、多场景与多任务。多层指从接地到推理的递进，多说话人指每题至少 2 人，多语言指中英覆盖，多场景指电话会议播客电影，多任务指 16 个任务。图前导读如下：图 1 把输入、锚点与两层评测画在同一张示意图中，适合初学者 1 次看清从听声到答题的完整链路，重点是区分 3 类锚点与两层题型的对应关系。

看图路径： 1. 先看顶部多说话人对话输入框中三位说话人的话语与 1s-3s 时间标记如何并列呈现；2. 再看中间说话人锚点三类卡片在时间锚、转写锚和说话人顺序锚上的文字分工；3. 接着对比底部第一层单人情绪归因题与第二层多人情绪影响题在题干问法上的差异；4. 最后看底部虚线汇聚到从说话人级接地到对话级推理的箭头所表达的层次递进

论文图 1。原论文 Figure 1：“1”。

图 1 的解释需要回到可见内容。顶部是多说话人对话输入，波形下方并列 3 位说话人的英文话语，其中第一位标注 1 秒到 3 秒，说明时间信息与文本信息是并排给出的。中间是说话人锚点，时间锚用时间戳定位目标说话人，转写锚用话语文本匹配对应说话人，说话人锚按出场顺序定位。底部左右分别是第一层说话人识别与归因题与第二层多说话人对话推理题，左侧问指定时间段说话人的情绪，右侧问第一位说话人情绪如何影响其他人，底部箭头写明从说话人级接地到对话级推理。这一布局支持论文的两层主张，也为后文时间索引最难、复合索引提供补充线索的结论提供直观基础。

说话人接地 × 多说话人推理： 说话人接地负责把属性、身份和具体话语对应到某一个说话人，解决是谁在何时说了什么；多说话人推理负责在接地结果之上推断角色关系、动机和情绪互动，解决对话为什么这样发展；两者搭配是因为没有可靠的归因，后续的关系和意图推理会建立在错位证据上，组合意义在于把评测从单一识别拆成可定位的底层错误与高层错误。

5 种说话人指代方式按难度变化接地条件。无索引用目标说话人音频片段直接做声学接地，时间索引用指定时间段做时间接地，转写索引用引用转写定位，说话人索引按出场顺序定位，复合索引组合时间段与转写摘录等多线索。论文在分析中重点报告无索引、时间索引与复合索引 3 类，时间索引在重叠与快速轮换下最具挑战，复合索引常因互补定位线索而提升表现。

标注与问答生成的组件如何分工？

标注组件分为 4 类。第一是对话质量评估，由 Gemini 筛选信息量充足且连贯的对话片段，避免无意义或过碎的片段进入后续。第二是说话人日志与转写，通过 Volcano 接口产生，负责时间边界与文字内容。第三是说话人身份、声音事件与副语言线索，由 Gemini 标注，负责性别年龄口音情绪等属性与非语音事件。第四是人工核验，由受过训练的标注者核查元数据、修订无效或模糊问题、检查答案确定性与格式合规，只保留合格项，最终得到 2300 个经核验问答实例。

问答生成组件以标注、原始音频与任务提示为条件，由 Gemini 按预定义的说话人指代方式生成候选。任务提示族覆盖说话人识别、说话人归因、对话结构分析、场景推理与上下文推理，输出问答类型包括无索引、时间索引、转写索引、说话人索引与复合索引。干扰项设计与错误类型绑定，选错即对应一种诊断：选到错误说话人选项记为归因错，选到幻觉选项记为幻觉错，选到未知选项记为误判为不可答，指令不遵守单独计数。

说话人日志 × 转写文本： 说话人日志负责给出谁在什么时间段说话的时间边界，解决声学层面的切分与归属；转写文本负责给出每个片段说了什么语言内容，解决语义层面的可读证据；两者搭配是因为只有时间没有内容无法出题，只有内容没有时间无法在重叠和快速轮换中定位，组合后形成带时间的说话人转写，成为后续标注和出题的共同底座。

从计算角度看，这条流水线没有训练新的神经网络权重，真实计算是调用已有接口与模型做标注与生成，再加人工筛选。论文未报告标注模型的超参数更新、梯度路径或冻结细节，因此不能从模型名称推定实现，也不能把无训练等同于确定性求解。人工环节是质量门：初始候选在第一层与第二层的人判有效率不同，无效或模糊项被修订或删除后才纳入基准，再由同一批标注者答题核对标签一致性。

本研究训练了什么，没有训练什么？

本研究没有训练任何被评测的语音语言模型。9 个被测模型均为现成系统，评测阶段不做任务微调与少样本演示，全部采用零样本与同一指令模板，要求只输出一个选项字母。论文明确说明由于 Gemini 同时参与问答构建，基于 Gemini 的评测可能受指令格式偏好的影响，为降低影响所有题目都经人工审核修订以保证答案确定性、格式一致与模型无关有效性。缺失的证据是各被测模型的训练数据、参数冻结与更新细节，论文未报告这些内容，因此解读中不推测其训练实现。

实际发生的构造计算是流水线式调用与筛选。第一步统一预处理包括重采样、转单声道与电影音频声道选择，音频切成 1 到 2 分钟短片段与 2 到 5 分钟长片段以保留交互线索并适应输入约束。第二步 Gemini 做对话质检，Volcano 接口做日志与转写，Gemini 做身份与副语言标注。第三步 Gemini 按任务生成候选问答，第四步 8 名有音频背景的研究人员做有效性、确定性与格式核验并答题对标。图前导读如下：图 2 用三色回路展示标注、生成与筛查如何闭环，适合对照正文第二章第二节理解每一框的输入输出与迭代方向。

看图路径： 1. 先沿左侧蓝色数据标注框自上而下看对话质检、多说话人日志和副语言标记三步的输出物；2. 再看右侧绿色问答生成框中任务提示族与五类索引问答输出类型的对应箭头；3. 最后看底部青色质量筛查链中人工审核到高质量问答集再到迭代优化的回路方向

论文图 2。原论文 Figure 2：“MSU-Bench construction pipeline.”。

图 2 的解释对应像素细节。左侧蓝色数据标注框自上而下为对话质量评估、多说话人日志、副语言事件标记与说话人标签精修，底部输出为带时间的说话人转写与标注音频及元数据。中间顶部是 MSU-Bench 构建流水线标题框，右侧绿色问答生成框分为任务提示族与输出问答类型，箭头从提示族指向 5 类索引问答。底部青色质量筛查链为人工审核到高质量问答保留与修订再到最终高质量问答集，右侧迭代精修箭头把筛查经验反馈回提示设计与数据改进。这一闭环说明质量控制不是 1 次性过滤，而是用筛查发现指导生成改进。

下表把规模与来源证据整理成可核对的一览，数字与单位保留原文写法，条件列说明语种与场景，时长列保留小时数，切分列保留分钟范围，便于复现时对照采样量。

表后解释需要说明收益与代价。主要收益是来源覆盖电话会议播客电影，有利于检验跨域稳健性，且长短切分兼顾交互完整性与模型输入限制。代价是影视与播客音频的声道与混音差异需要额外的重采样与声道选择，论文只报告做了统一预处理，未给出具体采样率与声道选择规则，这是复现时需要补齐的缺项。未胜出或未评测的边界是单说话人实例被排除在外，因此该基准不能用来推断单人属性识别的绝对水平。

评测条件如何保证可比，指标方向是什么？

被测模型共 9 个，包括 6 个开源与 3 个闭源。开源为 Qwen2.5-Omni、Qwen3-Omni、AudioFlamingo-3、Kimi-Audio、StepAudio2 与 MiMoAudio，覆盖全模态与音频导向架构。闭源为 Gemini-2.5-Flash、Gemini-2.5-Pro 与 Gemini-3-Flash，通过官方接口评测。所有模型用同一指令模板零样本测试，模板指定目标任务并要求恰好输出一个字母，指标为与核验标签的精确匹配准确率，越高越好，再按任务、能力组、层级与指代方式分别汇报。

公平条件的关键是同一模板、无微调、无示例，以及题目经人工修订以减少对 Gemini 的格式偏好。但论文也承认 Gemini 参与构建可能带来残留偏好，这意味着闭源领先的幅度需要谨慎解读，不能直接当作架构优劣的因果证据。数据划分方面，论文未给出训练验证测试划分，因为本研究是评测基准而非训练新模型，2300 题全部用于评测。聚合口径为实例级平均准确率，平均列按实例数加权，任务缩写包括说话人识别相关与对话推理相关共 16 项。

硬件预算、推理延迟与成本在证据中未报告，因此不能承诺任何效率改善。统计显著性方法也未报告，解读中把小幅度差异表述为观察到的差距而非显著领先。初学者复现时应先固定指令模板与字母提取规则，再核对未知与指令不遵守的计数方式，否则同样的答案文本可能因提取规则不同而得到不同分数。

主结果显示什么，谁在什么能力上领先？

主结果按层与任务报告精确匹配准确率。整体范围从 Qwen2.5-Omni 的 0.19 到 Gemini-3-Flash 的 0.77，差距明显。开源中最强为 MiMoAudio，整体 0.56，第一层 0.52，第二层 0.64。StepAudio2 整体 0.44，Kimi-Audio 整体 0.43，AudioFlamingo-3 与 Qwen3-Omni 均为 0.39。闭源中 Gemini-3-Flash 第一层 0.73，第二层 0.84，整体 0.77，Gemini-2.5-Pro 整体 0.70，Gemini-2.5-Flash 整体 0.69，均超过最强开源。论文的判断是闭源近期在以说话人为中心的理解上进展明显，但复杂接地与交互推理仍未完全解决。

任务级模式显示，需要说话人归因、观点聚合与对话推理的任务对多数开源模型更难，而背景推断与部分有清晰声学或语义线索的说话人属性任务相对好做。这支持基准不仅能区分整体强弱，还能暴露细粒度能力短板。需要注意 Qwen 系全模态能力并未一致超过音频导向模型，说明宽泛多模态能力不必然转化为稳健的说话人中心理解，这是否定简单以规模或模态广度推断对话能力的反证。

时间索引 × 复合索引： 时间索引用指定时间段指向目标说话人，考验模型按时间定位说话人的能力；复合索引同时组合时间段、转写摘录和说话人顺序等多线索，考验模型对齐互补证据的能力；两者搭配可以对比单一时间线索不足时补充线索是否带来提升，组合意义在于分离时间定位瓶颈与多线索融合收益。

下表把核心可运行策略的数字放在同一条件下对比，指标均为精确匹配准确率，方向为越高越好，条件为零样本同一模板，无微调。表格不混入搜索最优或事后最优值，均为论文报告的实际评测分数。

表后解释要同时讲收益与反例。收益是层级对比一致显示闭源在两层都领先，且开源中 MiMoAudio 在第二层推理上相对最强，说明基准能分离接地与推理。代价与反例是 Qwen2.5-Omni 整体仅 0.19，Qwen3-Omni 也仅 0.39，表明同一家族的不同版本在多人对话上差异大，不能用家族名称概括性能。限制是 Gemini 构建偏好的残留影响未被量化，因此领先幅度中可能包含格式熟悉度成分，复现时应报告换用不同指令措辞后的稳定性。

换一种指代方式或看错误构成，结论还成立吗？

指代方式对比显示时间索引通常准确率最低，说明时间接地仍是主要瓶颈，复合索引常因互补线索而回升。Gemini-3-Flash 在第一层无索引 0.71、时间索引 0.64、复合索引 0.84，在第二层对应为 0.83、0.76 与 0.92。开源中 MiMoAudio 对时间索引与复合索引更稳健，第一层 3 类为 0.53、0.54、0.60，第二层为 0.64、0.53、0.63。Qwen3-Omni 波动更大，第一层为 0.57、0.38、0.46，第二层为 0.34、0.28、0.35。这一模式支持附加接地线索改善问答，但基于时间的定位仍是关键弱点。

错误类型构成进一步揭示瓶颈转移。Qwen3-Omni 未知错误率最高，第一层 0.27，第二层升至 0.40，表明当地基与推理能力不足时模型倾向选未知而非冒险猜测。更强的 MiMoAudio 第二层错误说话人率达 0.53，Gemini-3-Flash 第二层达 0.67，说明有基本问答能力后主导瓶颈转向把证据安到正确说话人。幻觉与指令不遵守总体次要，但 MiMoAudio 第一层指令失败 0.16、第二层 0.13，Gemini-3-Flash 对应为 0.13 与 0.06，提示输出格式控制仍需关注。

错误说话人 × 未知选项： 错误说话人选项把对话中真实出现的信息安到错误说话人身上，检验归因是否精确；未知选项检验模型在可回答问题上是否错误地放弃作答；两者搭配可以区分能力弱时不敢答与能力较强时答错人，组合意义在于随模型变强，主导错误从未知转向错误说话人，指示瓶颈发生转移。

下表把指代与错误诊断的关键数字并置，条件分别为代表性模型的分层准确率与错误占比，指标方向为准确率越高越好、错误率越低越好，便于核对瓶颈转移的说法。

表后解释要指出未胜出项与边界。Qwen3-Omni 在时间索引与未知率上均为反例，说明弱模型在高推理需求下先放弃作答。MiMoAudio 虽为开源最强，但在第二层仍有一半以上错误为归因错，说明推理得分高不等于归因精确。未评测的边界是转写索引与说话人索引的完整对比，论文分析只重点报告 3 类代表性指代，因此不能推广到所有 5 种指代都呈现同一排序。

哪些结论有边界，什么还没有被验证？

论文直接报告的是 9 模型在 2300 题上的分层准确率、3 种指代下的准确率、错误类型构成与人工核验的一致性数字，这些属于可复述的事实。有限解释是闭源领先意味着在说话人中心理解上取得实质进展，这一解释得到分层与多任务一致性的支持，但同时受 Gemini 参与构建的潜在偏好影响，论文已声明该风险并用人审修订来缓解，但未量化残留影响。

未验证的推测包括把领先归因于具体架构或训练数据的说法，证据中没有这些模型的训练细节，因此不能从名称推定实现。相关性不等于因果，复合索引下分数更高不能直接证明模型真正理解了时间与文本的对齐，也可能是利用了某一线索的捷径。缺失证据不是技术错误，但复现时必须明确缺项：采样率与声道选择参数、转写与日志的误差率、任务提示原文、字母提取与未知计数的实现、统计显著性与推理成本均未报告。

另一个边界是客观单选与真实交互的距离。论文说明开放式问答更贴近真实 LALM 交互，但自由文本评测噪声大且成本高，常需额外的大模型裁判并引入新误差，因此选择单选题以保证确定性评分。这一取舍意味着单选分数高不等于开放式对话中同样稳健，初学者不应把选择题准确率直接当作部署后的用户体验。总体趋势也不等于每组都成立，例如背景推断相对好做不能推广到所有第二层任务。

要复现与核对，应先做什么？

复现先做三件事。第一是按论文表 1 重建数据清单，确认电话、会议、播客与电影 8 个来源的时长与语种，再按 1 到 2 分钟与 2 到 5 分钟切分，并记录重采样与单声道转换的实际参数，因为原文只说明做了统一预处理而未给出数值。第二是重建标注与出题链路，先跑 Volcano 接口得到说话人日志与转写，再用 Gemini 做质检与副语言标注，最后按 5 类指代生成候选，所有候选必须经过人工有效性、确定性与格式核验，只保留合格项。第三是固定评测脚本，要求模型只输出字母，用精确匹配计分，并单独统计错误说话人、幻觉、未知与指令不遵守 4 类。

信息条件方面，论文声明基准标注、元数据与评测脚本在官方仓库 ASLP-lab/MSU-Bench，但本次可核对的资源状态是没有发现来源绑定且完成验证的资源，因此解读中不得声称代码模型或数据当前已公开或可用，需要读者自行按论文中的仓库名检索并确认可达性。权重下载与系统可运行属于不同事项，即使仓库可达，也要区分标注脚本可运行与被测模型权重可获取。

核对数字时应逐表核对数据集、模型、阶段、指标、单位与聚合对象。数值相同不是同一指标的证据，例如 0.56 既可能是整体准确率也可能是其他切分，必须看清层级与指代条件。百分点与相对百分比不同，95% 有效性与 98% 一致性是不同环节的比例，不能相减。不同指标差值不能放进模型列下比较，自动指标也不能当成人评。表头或算术若冲突应标注冲突，不自行编造划分来圆成一致。

何时值得尝试这个基准，还需补哪项验证？

当研究目标涉及多人对话中的说话人归因、跨轮次一致性、角色与情绪互动推理时，值得尝试 MSU-Bench，因为它把接地失败与推理失败分开，并用指代方式与错误类型提供可行动的诊断。若只是做单人属性分类或单句意图检测，该基准的至少 2 人与多轮要求会带来不必要的复杂度，此时通用单句基准更合适。若要部署开放式对话助手，还需在单选之外补充开放式评测，因为单选的高分可能掩盖生成中的归因漂移。

还需补的验证包括三项。第一是换用与构建无关的指令措辞与裁判，量化 Gemini 构建偏好的残留影响。第二是报告转写与日志本身的误差，以及在重叠段的定位误差，以确认时间索引难中有多少来自上游切分。第三是补充推理成本、延迟与统计不确定性，使得 0.01 量级的差距有可解释性。论文的发现可总结为时间定位难、强模型错在归因、弱模型倾向选未知，这一诊断为改进稳健的多人音频理解提供了明确的发力点，但每一步改进都应在同一模板与同一错误分类下复测，才能确认瓶颈真正移动。

⚖️ 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

← 返回 interspeech-2026 论文汇总