arXiv cs.AI· Kwanghee Choi, Suwon Shon, Dmitriy Serdyuk, Guitang Lan, Chao-Wei Huang, Mohammad Sadegh Rasooli, Sangeeta Srivastava, Zhaojiang Lin, Saurabh Adya, Ming Sun·· 10 天前AI 评分24
Logbook：面向小时级长音频事件理解的基准
Logbook: Extremely Long-form Audio Event Understanding
AI 导读
研究者推出 Logbook 基准，用于小时级音频理解，录音时长从 10 分钟到 6 天，要求系统在给定连续音频和事件标签词表下输出无间隙分段，并为每段给出标签和描述。团队对比了 52 个端到端与级联系统，并消融微调、上下文长度和推理预算，发现任务可解但最佳系统仍低于人类参考水平，过度分段普遍存在，微调可部分缓解，端到端系统通常优于级联系统但随上下文变长而退化。
正文 · AI 翻译
摘要：音频基准测试围绕短的、预先分段的片段构建，将模型设计限制在简短输入或固定词汇表上。为弥补这一差距，我们提出了 Logbook，一个用于小时级音频理解的基准测试，录音时长从十分钟到六天不等。给定一段连续音频录音和一个事件标签词汇表，系统必须预测出无间隙的分段，并为每个分段给出一个事件标签和一段描述。我们比较了 52 个系统，包括端到端和级联式，并对微调、上下文长度和推理预算进行了消融实验。我们发现该任务是可解的，尽管最佳系统仍低于人类参考水平。此外，过度分段现象普遍存在，微调可部分缓解这一问题。最后，端到端系统通常优于级联式系统，但在更长的上下文下性能会下降。
| 评论： | 提交至 ICASSP 2027。源代码可在 此 https URL 获取 |
| 主题： | 音频与语音处理 (eess.AS)；人工智能 (cs.AI)；计算与语言 (cs.CL)；机器学习 (cs.LG)；声音 (cs.SD) |
| 引用为： | arXiv:2610.07338 [eess.AS] |
| （或 arXiv:2610.07338v1 [eess.AS] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.07338 arXiv 颁发的 DOI 经由 DataCite（待注册） |
提交历史
来自：Kwanghee Choi [查看邮箱]
[v1]
2026年10月5日星期一 20:13:46 UTC（128 KB）
来源：arXiv cs.AI · arxiv.org