論文の概要: One Waveform, Two Stories: Benchmarking Speech-Acoustic Conflict in Audio-Language Models

• arxiv url: http://arxiv.org/abs/2611.00325v1
• Date: Fri, 30 Oct 2026 19:47:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-04 23:36:30.394253
• Title: One Waveform, Two Stories: Benchmarking Speech-Acoustic Conflict in Audio-Language Models
• Title（参考訳）: 1つの波形と2つのストーリー:音声言語モデルにおける音声音響衝突のベンチマーク
• Abstract要約: SAC-ベンチ(SAC-Bench)について述べる。 環境記録と、互換性のある、あるいは矛盾した合成された音声クレームを組み合わせている。 高い音声のみの精度は、しばしば矛盾する主張の下で大きな損失を伴って共存する。
• 参考スコア（独自算出の注目度）: 24.195511212803265
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Audio-language models (ALMs) are evaluated on their understanding of both speech and environmental sounds. What remains underexplored is how they respond when spoken claims contradict acoustic evidence within the same recording. We introduce SAC-Bench, a benchmark of intra-audio speech--acoustic conflict comprising 616,031 unique clips from 188 sound-event classes across seven semantic, temporal, and spatial tasks. It pairs environmental recordings with compatible or contradictory synthesized spoken claims and includes audio-only controls where applicable. Across five open-weight ALMs evaluated on semantic and temporal tasks, high audio-only accuracy often coexists with large losses under conflicting claims; Event Identity accuracy is 24.8--46.5 percentage points lower in conflict than compatible conditions. Temporal Order failures persist even when speech follows the complete event sequence, so simultaneous speech--event masking cannot fully explain them. A spatial case study with Spatial-Omni finds lower motion accuracy associated with both spoken claims and the speech source's physical trajectory. Prompt interventions sometimes restore acoustic accuracy, but can also reduce claim-aligned answers without improving grounding or worsen performance. SAC-Bench thus separates acoustic competence, conflict robustness, and intervention effects.
• Abstract（参考訳）: 音声モデル(ALM)は音声と環境音の両方の理解に基づいて評価される。 明らかにされていないのは、音声による主張が同じ録音の中で音響的証拠と矛盾する場合にどう反応するかだ。 SAC-Benchは、7つの意味的、時間的、空間的タスクにまたがる188クラスの616,031の独特なクリップからなる音声内音響衝突のベンチマークである。 環境記録と、互換性のある、あるいは矛盾した合成された音声クレームをペアリングし、適用可能な場合にオーディオのみの制御を含む。 意味的タスクと時間的タスクに基づいて評価された5つのオープンウェイトALMのうち、高い音声のみの精度は、矛盾するクレームの下で大きな損失を伴うことが多い。イベントアイデンティティの精度は、互換性のある条件よりも24.8～46.5ポイント低い。 空間オムニを用いた空間的ケーススタディでは、音声のクレームと音源の物理的軌跡の両方に関連付けられた動きの精度が低い。 プロンプト介入は時に音響的精度を回復するが、グラウンド化や性能の悪化を伴わずにクレーム対応の回答を減らすことができる。 これにより、SAC-Benchは音響能力、コンフリクトロバスト性、介入効果を分離する。

関連論文リスト

• ACR-Net: Mitigating Semantic Dominance via Contrastive Acoustic-Semantic Decoupling [8.703409986617219]
  セマンティック・ドミナンス(Semantic Dominance)の原因となる厳密なセマンティック・セマンティクスの学習 SOP(Semantic Overconfidence Penalty)とLDD(Latent Decoupling Degree)の2つの指標とともに、4つの競合タイプにまたがる敵対的音声テキストペアのASPIREベンチマークを導入する。 アコースティック・コンフリクト・レゾリューション・ネットワーク (ACR-Net) では, コントラスト・デカップリング・ロス (Contrastive Decoupling Loss) とクロスモーダル・アテンション・アンド・コントラスト・デカップリング・ロス (Cross-Modal Attention and Contrastive Decoupling Loss) を用いて, 矛盾表現を潜在空間に分解する。
  論文  参考訳（メタデータ） (2026-10-14T12:42:55Z)
• MuLA-Bench: A Multilingual Long-Form Audio Understanding Benchmark via Multi-Tier Auditing [33.094516965027445]
  我々は MuLA-Bench: 5,038 のオープンエンド質問を1,769 回録音し,合計1,377.9 時間で紹介する。 バランスの取れた言語 x ドメインのセマンティックトラックは、制御された比較をサポートする。 補完的な音響トラックは自然に発生する非音声の証拠を保存する。
  論文  参考訳（メタデータ） (2026-09-20T07:11:31Z)
• When Text Misleads: Inconsistent-Aware Reasoning for Audio-Grounded Dialogue [18.262137202372454]
  我々は障害モードをクロスモーダルな不一致として定式化する。 テキストバイアスによる表面解釈を識別し、不一致領域を競合QAの例に変換するスケーラブルなフレームワークを開発する。 さらに、音声を音声に変換するエージェントスタイルの推論フレームワークを開発し、局所的な音響的手がかりのテキスト可読表現であるAudio Twinを提案する。
  論文  参考訳（メタデータ） (2026-08-27T14:26:46Z)
• Afrispeech Semantics: Evaluating Audio Semantic Reasoning in Spoken Language Models Across Domains and Accents [3.6734440150955368]
  音声言語モデル(ALM)は、音声に基づく理解にますます使われる。 アクセント変化, ドメインシフト, セマンティックオーバー推論が音声推論に与える影響はよく分かっていない。 5つの意味的・パラ言語的推論タスクにおける音声言語モデルの評価を行った。
  論文  参考訳（メタデータ） (2026-05-11T20:27:40Z)
• WESR: Scaling and Evaluating Word-level Event-Speech Recognition [59.21814194620928]
  音声は言語情報だけでなく、笑ったり泣いたりするような豊富な非言語的な音声イベントも伝達する。 我々は,21の発声イベントの分類を改良し,個別(スタンドアローン)と連続(音声と混合)に分類した。 改良された分類法に基づくWESR-Benchは,新しい位置認識プロトコルを備えた専門家アノテート評価セット(900以上の発話)である。
  論文  参考訳（メタデータ） (2026-01-08T02:23:21Z)
• SpeakerSleuth: Evaluating Large Audio-Language Models as Judges for Multi-turn Speaker Consistency [12.420484491347073]
  LALMがマルチターン対話における話者の一貫性を確実に判断できるかどうかを評価するベンチマークである SpeakerSleuth を提案する。 合成音声と実音声を対象とする4つの多種多様なデータセットを対象とした1,818の人間検証評価インスタンスを構築した。 モデルは音響的不整合を確実に検出するのに苦労している。
  論文  参考訳（メタデータ） (2026-01-07T15:45:41Z)
• PhyAVBench: A Challenging Audio Physics-Sensitivity Benchmark for Physically Grounded Text-to-Audio-Video Generation [63.3417467957431]
  テキスト・ツー・オーディオ・ビデオ(T2AV)生成は、現実的なオーディオ・ビジュアルコンテンツを要求する幅広いアプリケーションを支える。 我々は,既存のT2AVモデルの音波物理接地能力を評価するために設計された,難易度の高い音波物理感度ベンチマークであるPhyAVBenchを紹介する。 主に音声とビデオの同期に焦点を当てた以前のベンチマークとは異なり、PhyAVBenchは、音生成の基礎となる物理的メカニズムに対するモデルの理解を明確に評価している。
  論文  参考訳（メタデータ） (2025-12-30T05:22:31Z)
• When Silence Matters: The Impact of Irrelevant Audio on Text Reasoning in Large Audio-Language Models [48.94367629342966]
  非形式的音声でさえ精度を低下させ、予測ボラティリティを増大させる。 サイレンスはしばしば中立であると仮定されるが、出力を合成ノイズと同じくらい強く不安定にする。 この結果から, 相互干渉が重要な課題であることが明らかとなり, 効率的な核融合戦略の必要性が浮き彫りとなった。
  論文  参考訳（メタデータ） (2025-10-01T07:59:45Z)
• Multi-Domain Audio Question Answering Toward Acoustic Content Reasoning in The DCASE 2025 Challenge [102.84031769492708]
  本課題は,多様な音響シーンに対する対話型質問応答における音声モデルをテストするための3つのQAサブセットを定義する。 開発セットの予備的な結果を比較し、モデルとサブセット間で強い変動を示す。 この課題は、音声モデルの音声理解と推論能力を人間レベルに向上することを目的としている。
  論文  参考訳（メタデータ） (2025-05-12T09:04:16Z)
• Double Mixture: Towards Continual Event Detection from Speech [60.33088725100812]
  音声イベント検出は、セマンティックイベントと音響イベントの両方のタグ付けを含むマルチメディア検索に不可欠である。 本稿では, 音声イベント検出における主な課題として, 過去の出来事を忘れることなく新たな事象を連続的に統合すること, 音響イベントからの意味のゆがみについて述べる。 本稿では,適応性を向上し,忘れることを防止するために,音声の専門知識と堅牢な記憶機構を融合する新しい手法「ダブルミキチャー」を提案する。
  論文  参考訳（メタデータ） (2024-04-20T06:32:00Z)

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。