★ 3
Qwen 团队发布 Omnilingual-MsASR 多语种多人长视频语音识别基准
研究团队推出 Omnilingual-MsASR，一个覆盖六种语言、最长 30 分钟录音、最多 20 位说话人的多模态多语种长视频多人语音识别基准，同时提供音频与视频输入以评测跨模态一致性。对主流全模态大模型的评测显示其 tcpWER 常超过 100%，暴露出细粒度时间定位与说话人区分等瓶颈。
arXiv NLP11 天前
共 2 篇相关资讯，按重要度与时间排序，每 3 小时更新。
研究团队推出 Omnilingual-MsASR，一个覆盖六种语言、最长 30 分钟录音、最多 20 位说话人的多模态多语种长视频多人语音识别基准，同时提供音频与视频输入以评测跨模态一致性。对主流全模态大模型的评测显示其 tcpWER 常超过 100%，暴露出细粒度时间定位与说话人区分等瓶颈。
研究提出 AphaVoice，一个专为合成高度逼真失语症语音设计的 TTS 框架，用于医护人员培训模拟。相比现有先进 TTS 系统，其在时间指标上更能捕捉不流畅这一临床特征，并借助潜空间偏移支持多说话人生成而不损失语音真实度。