基准设计

针对印度 22 种官方语言语音识别评测中干净音频导致分数虚高与单参考转写导致有效变体被误罚的问题，Vimarsha 用 43.3 小时受控田野录音加 56.1 小时难例野外音频与每词平均 1.5 个可接受变体的格状参考进行评测，发现 10 个主流模型在野外条件下排名大幅变动且最佳系统词错误率从约 10–15% 升至 27–34%，代价是多格评估与人工校验成本 …

该文用统一指令微调框架比较连续特征与离散口令在语音声音音乐理解任务上的表现，显示语义约束与多域预训练决定效果而扩大语言模型不能弥补前端信息损失，代价是连续特征训练更慢而重建型编码保真高但理解弱。

SEABED 针对印尼语、泰语和马来语真实语音构造必须听音频才能推理的问答，用准确率加推理接地审计测六个音频大模型，最好的 Gemini 3.5 Flash 也只答对约一半，且区域模型的正确回答中多达四分之一缺少音频依据。

Vox-Infinity 沿轮数与每轮时长拉长语音历史并以最早证据到提问的跨度分组，在七个语音语言模型上报告随证据变远准确率下降的近因效应，以及文本历史保语义而音频历史保韵律的互补代价。

共分析 29 篇语音/AI 论文

GenTraceBench 把同一 TTS 谱系内预训练与 SFT、DPO、GRPO 适配后的配对检查点固定文本和说话人重合成来测取证稳定性，报告显示 RL 对齐平均归因变化小而部分 SFT 与预训练数据更换带来大幅漂移，且多样本注册只能缓解方差型漂移而不能纠正均值偏移。

论文把多模态交互中的用户需求理解定义为先判存在再补全意图的上下文推理任务，用 2078 个合成与真人实录场景和五维指标测 14 个原生模型，最强系统在需上下文的关键信息上仅恢复 44.7% 且误触发普遍超过 50%，而给定标准需求标注能显著改善下游回复。

AVTrace 把音画时间能力拆成七类可复算的定位与排序任务，用固定测试集显示现有全模态模型语义描述尚可但时间定位与同步判断偏弱，而针对 Gemma4-E4B 的时间后训练能在部分指标上提升但伴随外部任务的涨跌。

共分析 1 篇语音/AI 论文

该工作用隐式提示迫使模型从互补的多模态证据中推断缺失事件并用生成视频表达，在 517 个实例上 MiniMax-H3 总体成功率报告为 41.97%，其中视频决策最好而音频消歧最弱，说明多模态支持尚未转化为可靠推理。

该研究用同一话题下只换触发句并压缩停顿的配对独白，检验五个模型家族何时抢话，结果显示被直接提问和静音可靠地触发开口，而错误事实与危险行为几乎不触发，且把话轮交出去后纠错与警告比例仍很低。

该研究针对诈骗话术快速演变且酷似正常客服来电的问题，用混合树生成共享开头的诈骗与合法近域通话并以月度冻结快照评测，证明近域负例把分类器宏平均 F1 从 1.000 拉低到 0.65 左右并暴露全判欺诈坍缩，代价是固定 2 比 1 类别先验与合成语音的真实性局限。

针对泰卢固语语音事实问答缺少基准与评测不可靠问题，VākQA 用 2001 对真人 quiz 语音与双语转写先校准自动评测再测问答，发现 Gemini 作答与做裁判均领先但仍受语言、模态与级联误差影响且文化域最敏感。

ECHO 把插入文本固定而重写前文对话来区分打断与非打断重叠，用必须两成员全对的配对指标报告了三系统重度让出偏置与仅 MiniCPM-o 4.5 相对均衡，代价是合成语音与受控声学带来的生态效度损失。

HearInContext 用共享合成语音配对隐式与显式上下文研究同音歧义消解，报告 Qwen3-ASR-1.7B 隐式目标词召回中英分别提升 11.0 和 11.5 个百分点而通用识别误差变化低于 0.1 个百分点，代价是训练配比不当会损害无关上下文鲁棒性。

RoleBreak 用 310 个角色与 6688 个多轮语音轮次同时测语义角色保持与声音情感表达，发现最强系统仍在平均 10.4 轮出现人格失败且全部系统情感分低于 14.7，而把语言模型从 2B 放大到 27B 能推迟语义失败却几乎不改善声音情感。

针对文本到音乐系统条件格式与访问方式不同难以直接比较的问题，TTM-Bench 用共享音乐规格加系统适配表达分别度量音乐内容对齐与计算效率，案例研究显示内容对齐更高并不系统性对应更低的计算需求。

BioDCASE 用固定 PerchV2 嵌入和两层分类头比较了 14 种批量主动采样策略，最强方法以四子集平均学习曲线下面积 0.507 超过随机采样的 0.401，但增益在 HSN 高达 67.1% 而在 ATBFL 仅 8.0%，且更小批量带来两倍计算代价。

该研究把参考音频加自然语言指令作为融合查询，用构造时就定义好的七种风格歌词旋律音色关系诊断表示的默认偏好，最强证据是五类模型在七个任务上最高点估计互相反转且声学编码器与文本对齐编码器互补，而轻量文本条件融合未能一致提升主干。

针对生成式音视频越来越难靠伪影区分的问题，PIVOT 把检测改写为先估计时序物理量再逐条验算事件相关物理定律的核查流程，在 PhysForensics-Bench 上以 70.30% 与 72.16% 的双生成器准确率超过直接大模型目检，但其代价是依赖几何与声学估计质量并在弱观测事件上明显退化。