Qwen 团队发布 Omnilingua-AudioMC 多语言语音对话基准
原文标题：Do Multi-Turn Conversational Capabilities Carry Over from Text to Speech? A Parallel Multilingual Benchmark
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文推出 Omnilingua-AudioMC，是 Audio MultiChallenge 的严格平行多语言扩展，覆盖十种语言、354 段对话与 1404 条评分项，文本与语音条件内容对齐。测试六个语音语言模型发现，从文本转语音输入后表现高度依赖模型与语言，文本成绩相近的模型在语音下可能显著分化。结果表明文本成绩不能可靠代表多语言口语对话能力，代码已在 QwenLM 仓库公开。
深读 · 结论先行AI 生成展开看要点与影响 ↓
Qwen 发布十语言语音对话基准，文本成绩无法代表语音表现
- •Omnilingua-AudioMC 覆盖十种语言、354 段对话、1404 条评分项，文本与语音条件内容对齐
- •测试六个语音语言模型，从文本转语音输入后表现高度依赖模型与语言
- •文本成绩相近的模型在语音下可能显著分化，跨语言相对强弱也会变化
- •配对分析显示总体文本-语音差距会掩盖具体对话要求的得失，损失可被其他项增益抵消
- •代码已在 QwenLM 仓库公开
为什么重要：多语言语音交互不能靠文本评测外推，对做语音助手的团队意味着需要单独的语音侧评测。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
谷歌发布 EmbeddingGemma 2，五模态统一向量空间
AI 摘要谷歌推出 EmbeddingGemma 2 嵌入模型，可将文本、图像等五种模态映射到同一个向量空间，实现跨模态检索与对齐。该模型延续 Gemma 开源系列，面向多模态嵌入与检索增强场景。
谷歌发布Genie 4世界模型，可生成带音频交互体验
AI 摘要谷歌发布 Genie 4 世界模型，支持更真实的世界、自然语言实时修改、音频生成，底层由 Gemini 3.8 Flash 驱动，单次体验时长从 1 分钟提升至约 2 分钟。该模型先以研究预览形式向受信任测试者开放，并将向 Google AI Ultra 订阅用户推出。
谷歌 DeepMind 发布 Genie 4 世界模型，新增音频与实时操控
AI 摘要谷歌 DeepMind 发布世界模型 Genie 4，新增实时音频、更逼真的模拟环境，并支持在模拟过程中用文本提示实时操控。该模型以研究预览形式向受信任测试者开放，进一步推进可交互世界模型的能力边界。
谷歌 DeepMind 称四个 Gemini 4 智能体 27 小时通关《我的世界》
AI 摘要谷歌 DeepMind 表示，四个基于 Gemini 4 的 AI 智能体在 27 小时内自行编写 2783 段程序，成功通关《我的世界》。过程中智能体在简单难度下死亡 605 次，估计消耗约 520 美元 token 成本。