基准设计

针对行政标签掩盖真方言差异导致评测失真的问题，GLAD-CSpeech 按《中国语言地图集》划分 16 个方言区 23 个点并分离真方言与带口音普通话，用 163.3 小时以上三层对齐语料在 ASR、TTS、DID 上报告基线，最强证据是 DID 微调后宏 F1 达 99.08% 而零样本仅 72.29%，代价是温州、梅县等非官话点 ASR 仍极难且长文本重 …

论文构造约 108 小时三类声学条件的多人对话基准并统一评测说话人日志与识别，报告显示印度专用管线在时长加权平均上取得最低的 16.0% 日志错误率与 38.8% 级联词错率，但高重叠与低资源语言仍使三类误差同步上升。

该研究在 24753 对罗马尼亚语口语-书面语数据上比较规则文法、微调模型与大模型提示，显示少样本大模型提示域内平均词错率 1.21% 与域外 2.57% 最接近人类 2.45%，而规则系统以约 60 句每秒的中央处理器吞吐保持低成本可用。

论文用相同句子配对立上下文来检验词级重音，报告显示纯文本模型能从上下文推断重音而所有受测语音合成系统都难以在语音中稳定实现，显式标注也只是不完美的上界。

该研究在 29 种语言 33 个数据集上冻结 11 个自监督语音主干只训练分类头，发现跨语言迁移更多受语言结构类型制约而非预训练量或参数规模，最强平均 F1 来自 Whisper 而达罗毗荼语系系统性失效且增大参数不能解决。

针对车舱中文多意图口语理解缺少复杂基准的问题，论文构建含 8 域 81 意图 192 槽位的多意图数据集并统一评测多类大模型与大音频模型，报告显示上下文学习总体准确率不足 15% 而域内微调可达 60.73%，端到端模型靠避免识别误差传播追平流水线方法。

MSU-Bench 针对多人对话提出从说话人接地到对话推理的两层 16 任务 2300 题评测，用统一四选一和错误类型诊断揭示时间定位难与说话人归因错是主要瓶颈，闭源 Gemini-3-Flash 以 0.77 整体准确率领先但仍未解决复杂接地与交互推理。

MUGEN 把多音频理解做成从五个音频候选中按文字约束选出目标的接地任务，在 35 个任务 1750 个样本上报告开源模型约 24-28% 而 Gemini-3-pro 高思考约 69.60% 的总体准确率，并显示打乱音频顺序再投票的 APSC 可带来最高 6.74 个百分点的可运行增益，但多次生成带来明显计算代价。

针对非言语发声合成缺乏配对真人参考与统一指标的问题，NV-Bench 用 1651 条中英野外语音与双维度协议测控指令对齐与声学逼真度，最强基线 NV-CV3 在普通话单标签上做到 PCER 27.69% 与 OCER 4.90%，但多标签与英文仍有明显差距。

NVV-SuperBench 针对笑、叹息、哭泣等非言语发声提出 45 类双语可控生成基准，用客观、人听与大模型多评分者三路评估 15 个系统，报告显示可控性常与语音质量脱钩，而低信噪比口腔音与长时情感发声仍是最难的瓶颈，且加非言语发声会抬高词错误率并改变自然度偏好。

该文针对英语短语音主导、长语音与多语言评测分散且准度与效率口径不一的问题，搭建覆盖 86 个系统与 11 个数据集的三轨评测流程并统一词错误率与逆实时因子计算，在当前结果中 Conformer 类编码器加大语言模型解码器平均词错误率最低而 CTC 与 TDT 解码器吞吐更高，但差异同时受训练数据与配置影响。

该研究不做端到端定位或增强，而是冻结 13 个预训练音频编码器、用线性探针检验 7 个声源级与房间级因子是否可解码，发现声源因子系统性易读、房间因子系统性难读，且输入格式与训练范式决定编码偏置。

针对 AVA 电影数据与现实部署差距，论文构建 44.5 小时多语言多噪声多人脸的 UniTalk 基准，用同协议证明最强 TalkNCE 仅 83.2 mAP 且 Hard 子集降至 77.9 mAP，而 UniTalk 训练的模型能跨库泛化并以 3 小时 AVA 微调达到 92.4 mAP。

针对文本生成歌曲评价维度重叠与高分扎堆问题，论文按作曲流程拆出七个原子维度并组织 11717 首专家标注样本，用 MuQ backbone 训练自动打分器，在分布外集上以 utterance 与 system 两级相关和 AB 辨别力验证细粒度区分能力，代价是依赖严格筛选的专家标注与长音频推理成本。

StanceBench 用 Seamless Interaction 即兴子集的角色提示构造 9 个人际立场两极对照，在统一音频裁判流程下报告鲁棒性与可分性，最强证据是共情与礼貌最易分而诚实最难分，代价是弱标签有效性与短片段证据不足带来的阈值敏感和高方差。

论文以跨生成器与黑盒低资源两条赛道检验环境声真假判别，第一名在两赛道均把等错误率压到 0.3% 左右，代价是依赖大规模自监督表征、针对性增广与多系统集成。

该挑战要求把对话中韵律承载的语用意图连同词义一起翻译，证据显示最佳音频系统主观评分 3.46 仍比人类重演 4.59 低 1.2 分，而特征映射基线几乎未被超越。

论文用一周颈表加速度计的 14 维帧级嗓音特征做两类发声过度功能检测，任务 1 全部队伍超基线且最优 AUC 达 0.93，任务 2 仅四队超基线且最优 0.86，代价是对日内时变建模敏感且非创伤型更难分。

该文用 640 段法语新闻短语音、100 名懂法语与 101 名不懂法语评分者的 0 到 100 分标注研究自动人格感知，最强证据是法语组尽责性多模态准确率 67.1 的分类结果，代价是整体精度仍在 50 到 67 之间且多模态不总是优于单模态。

UG-Bench 针对大音频语言模型理解与生成割裂评价的问题，用解耦的四能力框架统一测 11 个开源大音频语言模型和 5 个专用语音生成模型，最强证据是 Qwen2-Audio 以 78.18 分居首而生成能力仍落后于专用合成模型，代价是中文标注样本不计入排名且生成只比平均意见分。