基准测试

共分析 137 篇 ICML 2026 论文

论文研究如何只用匿名说话人聚类和带噪声的预期出席名单为重复参会者找出干净注册语音，提出合成基准和跨会话链打分参考方法，核心证据是合成集上成功与污染的权衡以及合成阈值直接搬到真实会议时出现的明显落差。

论文用 354 组十语言严格平行对话检验文字转语音的多轮能力迁移，发现文字成绩好的模型语音未必好，而把历史语音换成文字稿能部分恢复受损最大的两个模型的表现，但代价是增加转写处理且不能推广到所有模型。

PianoBench 用同一钢琴片段的音频和乐谱文本两种输入考查模型，发现开源音频模型几乎不能从声音中提取答题线索，而前沿模型在给定显式音符加思维链时可达 93.2%，交错排列的教学讲解与演奏记录则能把 Qwen 3.5 9B 无思维链的文本推理从 42.8% 提升到 56.0%。

论文针对人工评定治疗师人际能力费时费力的问题，公开了 890 段标准化回应的去标识化多模态数据集 Therapy-FIS 并划分只看治疗师和同时看医患双方两种预测任务，基线 DyadicFIS 在跨被试五折下取得最高的与人工评分一致性但均方误差并非最低且结论只在该标准化角色扮演和派生特征条件下成立。

论文要解决 32 位浮点音频无法用 FLAC 无损发行的问题，采用帧内按指数对齐再把相干波形与不相关噪声分开编码的办法，在高分辨率音乐上做到与 24 位整数 FLAC 相当的体积并保留超过 0 dBFS 的峰值，代价是上子帧宽度需要折中选择且极端动态要切换到保底编码。

InteractionBench 用同一套 221 项录制用户音频测七个实时语音系统在对话时机、口语任务、耳语与音量、二十多轮 groundedness 上的表现，发现全双工系统内时机与任务正相关而离线级联相反，且网络延迟显著抬高托管系统的客户端时机分。

MEX 把分散的音乐期望验证方法收成四个可重复任务，用音频直接算出的意外与不确定性去检验重复学习、分段边界、符号模型一致性和脑电预测能力，基线显示不同模型和噪声水平各有取舍且都受数据集与评价条件限制。

Omni-Life 用 400 段视频考查助手能否在需要时及时说对、不需要时保持沉默，最好的 12 个配置也只有 4.48% 的视频完全做对，而反复提醒虽能提高覆盖却会带来每分钟数次的不必要打扰。

论文构造同时含口语主张与环境声证据的冲突音频，测五款音频语言模型能否坚持环境声答案，发现无语音时能听对不等于冲突时不跟错话语，而改提示词有时能拉回、有时只换错法。

论文用同一批音频同时检验表达、感知和利用三个环节，发现 8 个语音原生模型在中性措辞下几乎不报告轻度不耐烦语气，但两个开源模型的编码器仍能解码该语气，而对文字中不耐烦的稳定作答才是真正的稳健。

论文把语音识别从恢复唯一逐字稿改为在语音依据约束下按指令生成四级改写文本，并用 GSR-Bench 证明字面准确与可读改写之间存在权衡且弱语音下易出现无依据生成。

论文把文本和语音映射到同一情感空间并用混合模型算出不一致概率，在三种语料上证明有音频输入时不一致会稳定增加音频大模型的误判风险，而同样的特征却能帮助有监督分类器。

本文以 Qwen2-Audio-7B-Instruct 为对象，先证明零样本提示无法可靠预测 MOS，再用 SOMOS 数据诊断其语速与表现力感知盲区，最后用 4 比特量化下单卡 LoRA 微调把 Pearson 相关从接近 0 提升到 0.6506 并超过 UTMOSv2，代价是结论只在英语合成语音的域内测试上成立。

论文解决多分钟用户生成视频的内嵌式音频描述问题，用 36 小时盲聋共创标注和 TTS 渲染加判分模型的端到端评测证明加时间约束提示可大幅减少压话但叙事节奏仍落后于人工。

MixCardBench 把 10 秒多声源混音拆成逐声源的结构化卡片来分别考查发现与描述，用保留真实事件结构的合成流水线得到 4884 个场景和 9618 张卡，最强模型平均卡片字段分也只有约 60%，且声源越多检出越难。

V33DA 把已检测到的每声鸣叫归给当时可见的某只斑胸草雀，用随身振动信号定真值并扣留该通道，再以三套划分检验熟悉个体识别与可迁移空间归属，代价是单装置、单发声事件与有限无线电特征。

论文把语音无法决定的书写差异定义为评测端转写规范化问题，用 1098 组最小对和兼顾一致性与语义保留的 SENA 指标检验方法，并用携带现象说明和改写约定的 TACS 智能体把平均成绩从常规工具的 10% 以下提升到 68.8%，但同音替换和符号类仍然困难。

论文把声纹当作对身份的含噪观察，提出免训练的 EvoSpeakerMem 逐轮路由与门控更新用户实体，并在合成的 LoCoMo-ID 上验证其在干净与录音条件变化下提升身份受限问答，但也暴露碎片化与跨用户污染的权衡。

论文针对音乐编辑缺少配对目标而无法区分保持原貌与执行改动的问题，用 MIDI 符号层干预加同一 SoundFont 渲染构造源与目标配对音频，并证明常用指标下文本相符与目标相符会给出不同系统排序。