arXiv 自然语言处理· Yuan Ge, Pei Zhang, Xize Cheng, Lingzhou Mu, Mingyang Wang, Jin Xu, Baosong Yang, Shengxiang Gao, Jingbo Zhu, Zhengtao Yu, Tong Xiao·· 2 小时前AI 评分39
Omnilingual-MsASR：全模态大语言模型多模态多语言长音频多说话人 ASR 评测基准
Omnilingual-MsASR: Benchmarking Multimodal, Multilingual, Long-Form Multi-Speaker ASR of Omni Large Language Models
AI 导读
研究人员推出全模态大语言模型长音频多说话人语音识别评测基准 Omnilingual-MsASR。该基准涵盖 6 种语言、长达 30 分钟的录音以及多达 20 位说话人的场景，提供音视频并行输入以评估跨模态一致性与互补线索利用能力。评测显示主流全模态模型存在显著性能瓶颈，其 tcpWER 经常超过 100%。
来源：arXiv 自然语言处理 · arxiv.org