墨尔本大学发布 VoxMem 基准：揭示音频大模型在多会话中难以记忆说话人身份与语气，32K 上下文准确率不足 40%

1 篇报道存证1 家独立信源交叉印证持续跟踪至 2026/10/9 11:55:00

全景综述与最新动态

1 家信源交叉印证

墨尔本大学与新南威尔士大学联合推出多会话语音记忆基准 VoxMem，旨在解决现有评测忽略声学特征（如说话人、语气）及单段对话局限的问题。该基准包含约 177 小时语音数据，通过“声学证据×记忆操作”二维分类法覆盖 15 种组合。对 15 个主流音频大模型的测试显示，在 32K token 历史长度下无一整体准确率超过 40%，且追踪语气和背景声变化的平均准确率极低（分别为 3.4% 和 1.2%），凸显当前模型在非文本声学信息长期记忆上的严重短板。

最新动向/墨尔本大学与新南威尔士大学联合推出多会话语音记忆基准 VoxMem，旨在解决现有评测忽略声学特征（如说话人、语气）及单段对话局限的问题。该基准包含约 177 小时语音数据，通过“声学证据×记忆操作”二维分类法覆盖 15 种组合。对 15 个主流音频大模型的测试显示，在 32K token 历史长度下无一整体准确率超过 40%，且追踪语气和背景声变化的平均准确率极低（分别为 3.4% 和 1.2%），凸显当前模型在非文本声学信息长期记忆上的严重短板。

热度曲线逐小时热度走势

2 个完整观测小时

连续完整观测不足 3 个小时，暂不绘制趋势曲线。

TIMELINE报道时间线

共 1 篇 · 最新优先

新智元 (微信公众号)T2·10月9日 11:5568 分
墨尔本大学发布 VoxMem 基准：揭示音频大模型在多会话中难以记忆说话人身份与语气，32K 上下文准确率不足 40%
原文标题：多会话语音记忆基准VoxMem，专治音频大模型记不住「谁说的、怎么说」
- VoxMem 首次将说话人身份、语气和背景声等非文本声学信息纳入多会话长期记忆评测体系。
- 实验数据显示，当前顶级音频大模型在 32K 上下文下的整体记忆准确率均低于 40%，表明长程声学记忆仍是瓶颈。
- 模型对显式文本信息的记忆远优于隐含的声学线索，追踪语气变化准确率仅 3.4%，背景声变化仅 1.2%。
查看存证快照原文网页