論文の概要: Vox-Infinity: Benchmarking the Limits of Long-Context Spoken Language Models

• arxiv url: http://arxiv.org/abs/2609.22452v1
• Date: Fri, 18 Sep 2026 18:07:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:00.405502
• Title: Vox-Infinity: Benchmarking the Limits of Long-Context Spoken Language Models
• Title（参考訳）: Vox-Infinity:Long-Context Spoken Language Modelの限界をベンチマークする
• Abstract要約: textbfVox-Infinityは、音声言語モデルにおける長文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。 Vox-Infinityは、2次元に沿って音声履歴を体系的に拡張する。 様々な相互作用構造と意味的な複雑さを持つさまざまな代表的なシナリオをカバーする。
• 参考スコア（独自算出の注目度）: 27.074031809578827
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Long-context understanding remains a fundamental challenge for large language models, as excessively long inputs often lead models to forget salient information. This issue is even more pronounced in the speech domain, where audio, as a low-compression modality, requires substantially more embeddings than text to preserve both semantic content and acoustic cues. To address this challenge, we introduce \textbf{Vox-Infinity}, the first benchmark specifically designed to evaluate long-context understanding in spoken language models. Vox-Infinity systematically extends audio history along two dimensions: turn count and turn duration. It covers a diverse range of representative scenarios with varying interaction structures and semantic complexity. Crucially, Vox-Infinity provides explicit answer-provenance annotations and organizes samples according to the amount of historical context required to resolve each query, enabling precise and length-aware evaluation. Extensive evaluations of seven representative spoken language models reveal a clear overall recency effect: models generally achieve higher accuracy when answer-supporting evidence is closer to the query, but struggle to retrieve and use evidence located farther back in the dialogue history. Cases and datasets are available at https://vox-infinity.github.io.
• Abstract（参考訳）: 長文理解は大きな言語モデルにとって依然として根本的な課題であり、過度に長い入力によってモデルが健全な情報を忘れることがしばしばある。 この問題は、低圧縮のモダリティである音声が、意味的内容と音響的手がかりの両方を保持するために、テキストよりもはるかに多くの埋め込みを必要とする、音声領域においてさらに顕著である。 この課題に対処するために、音声言語モデルにおける長文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 \textbf{Vox-Infinity} を導入する。 Vox-Infinityは、2次元に沿って音声履歴を体系的に拡張する。 様々な相互作用構造と意味的な複雑さを持つさまざまな代表的なシナリオをカバーする。 重要な点として、Vox-Infinityは明示的な回答保証アノテーションを提供し、各クエリの解決に必要な履歴コンテキストの量に応じてサンプルを整理し、正確かつ長さ対応の評価を可能にする。 7つの代表言語モデルに対する広範囲な評価は、全体的な相対性の影響を明確に示している: モデルは通常、回答を支持する証拠がクエリに近づいているときに高い精度を達成するが、対話の歴史から遠く離れた場所にある証拠の検索と使用に苦労する。 ケースとデータセットはhttps://vox-infinity.github.io.comで公開されている。

関連論文リスト

• ReasonAudio: A Benchmark for Evaluating Reasoning Beyond Matching in Text-Audio Retrieval [9.400944614656735]
  ReasonAudioはText-Audio Retrievalの最初の推論集約型ベンチマークである。 1000のクエリと10,000の合成オーディオクリップからなり、ネゲーション、オーダー、オーバーラップ、デュレーション、ミックスの5つの基本的な推論タスクにまたがる。 我々の10種類の最先端モデルに対する評価では、以下の結果が示される: すべてのモデルは、推論集約的な音声検索に苦慮する。
  論文  参考訳（メタデータ） (2026-05-05T04:44:51Z)
• VoxEval: Benchmarking the Knowledge Understanding Capabilities of End-to-End Spoken Language Models [32.086847480051084]
  本稿では、純粋音声対話による知識理解を評価する新しいSpeechQAベンチマークであるVoxEvalを提案する。 本ベンチマーク1は,入力と出力の両方の音声形式を維持し,2)多様な入力音声条件のモデルロバスト性を評価し,3)音声形式における数学的推論のような複雑なタスクの評価を先駆する。
  論文  参考訳（メタデータ） (2025-01-09T04:30:12Z)
• Long-Form Speech Generation with Spoken Language Models [64.29591880693468]
  テキストなしの音声言語モデルは、数十秒を超える可読な音声を生成するのに苦労する。 我々は、長音の音声から学習し、サンプルする最初の音声言語モデルであるSpeechSSMを導出する。 SpeechSSMは線形時間列モデリングの最近の進歩を活用し、コヒーレンスと効率性において現在のトランスフォーマー音声LMを大幅に上回っている。
  論文  参考訳（メタデータ） (2024-12-24T18:56:46Z)
• SpokenWOZ: A Large-Scale Speech-Text Benchmark for Spoken Task-Oriented Dialogue Agents [70.08842857515141]
  SpokenWOZは音声TODのための大規模音声テキストデータセットである。 SpokenWOZでは、クロスターンスロットと推論スロット検出が新たな課題である。
  論文  参考訳（メタデータ） (2023-05-22T13:47:51Z)

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。