☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
当语音AI被卷入一场持续数小时、跨越数十轮的真实对话时，它能否准确记住“这句话是谁说的、以何种语气说出、背景中又混杂着哪些声音”？墨尔本大学联合新南威尔士大学的研究团队指出：现有评估方法根本无法回答这一关键问题。为此，他们推出了直击短板的新基准——VoxMem。
团队首先指出了传统评测的两大顽疾：其一，仅聚焦于语音转录后的文本内容，将蕴含在声学信号中的说话人身份、情绪状态、环境音等关键线索全部忽略；其二，无法独立控制“历史长度”这一变量，导致模型性能下滑究竟是源于记忆容量不足，还是单纯被长上下文拖累，始终模糊不清。VoxMem则采用“声学证据 × 记忆操作”的二维正交分类框架，精细覆盖15种能力组合，并确保所有测试样本在8K至64K不同上下文长度下完全一致——即仅调节“对话历史长度”这一个维度，其余条件全部锁定，从而让记忆衰减效应可清晰归因于长度本身。
将小说章节转换为电影分镜剧本。用户上传txt/md/docx文本，AI分析场景、角色、情绪、镜头语言，输出专业分镜脚本。适用于用户提及“分镜”“storyboard”“小说转分镜”“影视改编”“镜头脚本”或需要将小说改编为分镜的场景。
该基准规模可观：共含3196个评测样本、34743段语音会话，累计音频时长约177小时，足以复现真实场景下的长程多轮交互。而对15个主流音频大模型的实测结果令人警醒：在32K上下文长度下，所有模型的整体准确率均未突破40%。更值得注意的是其能力失衡现象——模型对“说了什么”这类语义信息的记忆明显优于对说话人身份、副语言特征（如语气、情绪）以及环境声等原生声学信息的记忆；尤其在追踪语气波动与背景音变化方面，准确率极低，几近失效。且随着历史长度增加，各类声学信息的记忆表现同步下滑。
基于此，研究团队提出核心判断：当前音频大模型的语音记忆瓶颈，并非出在高层推理环节，而卡在更底层的“识别—定位—绑定”链条上——即模型尚未稳定捕获并关联“谁在何时、以何种方式说了什么”这一基础事实，上层推理自然无从建立。VoxMem正如一支精度更高的体温计，在语音AI的评估体系中引入了前所未有的细粒度测量能力，迫使整个领域直面一个长期被文字转写所掩盖的真相：听懂词，不等于记得住人、语气，更不等于感知得到整个声音世界。
