論文の概要: Auditory Illusion Benchmark for Large Audio Language Models

• arxiv url: http://arxiv.org/abs/2609.02277v1
• Date: Wed, 02 Sep 2026 08:23:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-03 17:53:18.160607
• Title: Auditory Illusion Benchmark for Large Audio Language Models
• Title（参考訳）: 大規模音声言語モデルのための聴覚錯誤ベンチマーク
• Abstract要約: AIBはLarge Audio Language Models (LALM)の最初の聴覚錯覚ベンチマークである AIBは、LALMの最初の聴覚錯覚ベンチマークであり、音楽、音声、音声の10つの代表的な錯覚をカバーしている。 ほとんどのLALMは低レベルの音響錯覚に対して信号に富んでいるが、言語や音楽の先駆者が関与する場合、より人間的な反応を示すものもいくつかある。
• 参考スコア（独自算出の注目度）: 26.354449288603504
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Perceptual illusions have long served as crucial probes into human cognition, revealing biases and limitations of perception. In the auditory domain, such illusions provide a unique lens for testing whether Large Audio Language Models (LALMs) replicate human perceptual tendencies. Despite their importance, most benchmarks focus on visual illusions or general audio tasks, leaving auditory illusions underexplored. To this end, we present AIB, the first auditory illusion benchmark for LALMs, covering ten representative illusions across music, sound, and speech, each annotated for the presence of knowledge-based priors. Our methodology pairs model evaluation with controlled human listening studies, enabling direct comparison of responses. Results show systematic differences: while most LALMs remain signal-faithful on low-level acoustic illusions, several exhibit more human-like responses when linguistic or musical priors are involved, although no model matches the human perceptual profile. These findings highlight the current limitations of LALMs as cognitive models. By establishing auditory illusions as a rigorous testbed, our work offers a new perspective for probing neural black-box models and advancing understanding of auditory cognition. AIB is publicly available at https://github.com/gillosae/aib.
• Abstract（参考訳）: 知覚錯覚は長い間、人間の認知に対する重要なプローブとして機能し、偏見や知覚の限界を明らかにしてきた。 聴覚領域では、このような錯覚は人間の知覚傾向を再現する大きな音声言語モデル(LALM)をテストするためのユニークなレンズを提供する。 その重要性にもかかわらず、ほとんどのベンチマークは視覚錯覚や一般的な音声タスクに焦点を当てており、聴覚錯覚は未発見のままである。 この目的のために、LALMの最初の聴覚錯覚ベンチマークであるAIBを紹介し、音楽、音、音声にまたがる10の代表的な錯覚をカバーし、それぞれが知識に基づく先行音の存在を暗示する。 提案手法は,制御された人間の聴取実験とモデル評価を組み合わせ,応答の直接比較を可能にする。 ほとんどのLALMは低レベルの音響錯覚に対して信号に忠実なままであるが、言語や音楽の先行が関与している場合、より人間的な反応を示すものもいくつかあるが、人間の知覚プロファイルと一致するモデルはない。 これらの結果は、認知モデルとしてのLALMの現在の限界を浮き彫りにした。 聴覚錯覚を厳密なテストベッドとして確立することにより、我々はニューラルブラックボックスモデルを探索し、聴覚認知の理解を深めるための新たな視点を提供する。 AIBはhttps://github.com/gillosae/aib.comで公開されている。

関連論文リスト

• HalluAudio: A Comprehensive Benchmark for Hallucination Detection in Large Audio-Language Models [30.18524844766061]
  HalluAudioは、音声、環境音、音楽の幻覚を評価するための最初の大規模ベンチマークである。 HalluAudioは、5万以上の人間による検証されたQAペアで構成され、バイナリ判断、複数選択推論、属性検証、オープンエンドQAなど、さまざまなタスクタイプにまたがる。 以上の結果から, 音場, 時間的推論, 音楽属性の理解において, 信頼性とロバスト性を考慮したLALMの必要性が示唆された。
  論文  参考訳（メタデータ） (2026-04-21T10:05:28Z)
• Do Audio-Visual Large Language Models Really See and Hear? [66.8531220331223]
  我々は音声と視覚機能がどのように進化し、最終的なテキスト出力を生成するためにAVLLMの異なる層を融合するかを分析する。 AVLLMの基本的なモダリティバイアスを明らかにし、マルチモーダルLLMがオーディオとビジョンをどのように統合するかに関する新しい力学的な洞察を提供する。
  論文  参考訳（メタデータ） (2026-04-03T00:48:49Z)
• Spatial Blind Spot: Auditory Motion Perception Deficits in Audio LLMs [39.209987830131816]
  LALM(Large Audio-Language Models)は近年,音声認識,音声キャプション,聴覚質問応答において顕著な進歩を見せている。 しかし、これらのモデルが力学、特に音源の動きを知覚できるかどうかは不明だ。 AMPBenchは聴覚動作の理解を評価するために設計された最初のベンチマークである。
  論文  参考訳（メタデータ） (2025-11-17T11:45:41Z)
• WoW-Bench: Evaluating Fine-Grained Acoustic Perception in Audio-Language Models via Marine Mammal Vocalizations [67.6147632074449]
  海洋哺乳動物の発声を用いた低レベルの聴覚知覚と認知を評価するために,WoW-Benchベンチマーク(World-of-Whale benchmark)を導入した。 WoW-Benchは、新しい音を分類するための知覚ベンチマークと、ブルームの分類学にインスパイアされた認知ベンチマークで構成され、音の出来事を記憶、理解、応用、分析する能力を評価する。 最先端のLALMを用いた実験は、人間のレベルよりもはるかに低い性能を示し、LALMのより強力な聴覚的接地の必要性を示している。
  論文  参考訳（メタデータ） (2025-08-28T16:29:46Z)
• Seeing Sound, Hearing Sight: Uncovering Modality Bias and Conflict of AI models in Sound Localization [15.460138469890042]
  人間はAIを一貫して上回り、聴覚情報に頼ることによって、対立や欠落した視覚に対して優れたレジリエンスを示す。 本稿では,3次元シミュレーションにより生成したステレオオーディオ画像データセットを用いて,神経科学にインスパイアされたモデルであるEchoPinを提案する。
  論文  参考訳（メタデータ） (2025-05-16T13:13:25Z)
• Delusions of Large Language Models [62.43923767408462]
  大規模言語モデルは、しばしば幻覚として知られる、事実的に間違っているが、もっともらしい出力を生成する。 高信頼幻覚と定義され、不正確な出力を異常に高い信頼性で検出し、緩和することが難しくなる、より惨めな現象であるLSM妄想を識別する。
  論文  参考訳（メタデータ） (2025-03-09T17:59:16Z)
• Towards a Systematic Evaluation of Hallucinations in Large-Vision Language Models [57.58426038241812]
  LVLM(Large Vision-Language Models)は、複雑なマルチモーダルタスクにおいて顕著な性能を示す。 これらのモデルは、画像から様々な視覚的実体を暗黙的に認識または推測する必要がある場合、まだ幻覚に悩まされている。 本稿では,視覚的質問応答(VQA)ベンチマークを提案する。
  論文  参考訳（メタデータ） (2024-12-29T23:56:01Z)
• AVHBench: A Cross-Modal Hallucination Benchmark for Audio-Visual Large Language Models [27.430040932849018]
  AVHBenchは、音声視覚モデルの知覚と理解能力を評価するために設計された最初の総合的なベンチマークである。 以上の結果から,既存のLLMはモダリティ間の相互相互作用による幻覚に苦慮していることが明らかとなった。 AVHBenchを用いた簡単なトレーニングは幻覚に対する聴覚的LLMの堅牢性を向上させることを実証する。
  論文  参考訳（メタデータ） (2024-10-23T23:36:06Z)
• Understanding Sounds, Missing the Questions: The Challenge of Object Hallucination in Large Audio-Language Models [49.87432626548563]
  本稿では,一般公開LALMの物体幻覚の程度を評価する手法を提案する。 以上の結果から,LALMは音声コンテンツの理解において,特別な音声キャプションモデルに匹敵するものであることが明らかとなった。 差別的質問に対するLALMの性能を高めるために,迅速なエンジニアリングの可能性を探る。
  論文  参考訳（メタデータ） (2024-06-12T16:51:54Z)
• Self-supervised models of audio effectively explain human cortical responses to speech [71.57870452667369]
  我々は、自己教師型音声表現学習の進歩に乗じて、人間の聴覚システムの最先端モデルを作成する。 これらの結果から,ヒト大脳皮質における音声処理の異なる段階に関連する情報の階層構造を,自己教師型モデルで効果的に把握できることが示唆された。
  論文  参考訳（メタデータ） (2022-05-27T22:04:02Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。