创建

登录 ReadmeX

或

了解我们如何处理你的信息: 隐私政策

ReadmeX

陪你读懂 AI 动态

今天,想先了解什么?

选一份动态总结,或直接聊聊你的问题。

社区和关注动态总结只属于你自己。

资讯

VoxMem:音频大模型跨会话语音记忆普遍不及格

AI 总结

墨尔本大学与新南威尔士大学联合团队提出多会话语音记忆基准 VoxMem,以「声学证据×记忆操作」二维框架覆盖 15 种考察组合,包含 799 道题、3,196 个评测实例、34,743 段语音会话(约 177 小时),且每道题在 8K 至 64K token 历史长度下保持不变。据该研究,评测 15 个音频大模型后,32K 长度下无一整体准确率超过 40%,最高的 Qwen3.8-Omni-Flash 为 38.5%;追踪语气变化和背景声变化的平均准确率仅为 3.4% 与 1.2%。错误分析显示多数失败发生在「听进去并记住」阶段,而非推理阶段。

深度见解

它把「说了什么」与「谁说的、怎么说的、周围有什么声音」拆开测量,提示单纯拉长上下文窗口并不能带来真正的长期语音记忆。

新智元 2026-10-09 11:55 北京

新智元报道  

在语音助手、多用户共享的家庭助理等长期对话场景中,模型需要跨越多次会话记住用户的信息,但现有评测常遭遇两大难题:

一是语音中的关键信息不止于文字,说话人身份、语气和背景声只存在于音频信号里,转写后即丢失,而现有基准大多只考词汇内容;

二是真实交互分布在相隔一段时间的多个会话中,现有基准却局限于单段录音或单段连续对话,且在不同长度下使用不同题目,无法分离历史长度本身的影响。

#VoxMem#University of Melbourne#UNSW#Qwen3.8-Omni-Flash#Gemini#Qwen

原文约 12 分钟读完阅读原文
群聊

还没有评论,来说说你的看法。