arXiv cs.CL· Aryan Vijay Bhosale, Harshit Rajgarhia, Abhishek Mukherji, Dinesh Manocha·· 12 小时前AI 评分38
TORUS：面向统一音频模型的闭环基准发布
TORUS: A Unified Closed-Loop Benchmark for Unified Audio Models
AI 导读
TORUS 是一个音频原生统一基准，用 1,053 道题（117 项测试）覆盖 21 个任务、8 种音频场景设置和全部 3 类音频，闭环评估统一音频模型的理解-生成自洽性（UGC_OWN）。测试显示最佳统一模型只能答对自身生成音频的 52.4% 问题，gpt-audio 为 53.6%。研究据此把理解-生成一致性列为未来统一音频系统的关键测试项。
正文 · AI 翻译
摘要：能够进行音频理解、音频生成以及日益增多的音频编辑的统一音频模型正在迅速增多。然而，每项能力都是在专门的基准上单独评估的，一个基本问题仍未得到解答：这些模型能否理解它们所生成/编辑的音频，即它们是否表现出音频理解-生成自洽性（UGC_OWN）？我们提出了 TORUS，一个音频原生的统一基准，用于对统一音频模型进行整体、闭环的评估，包含 1,053 个问题（117 项测试），涵盖 21 项任务和 8 种音频领域设置，覆盖全部 3 种音频类型。我们在客观和主观指标上评估了统一模型以及专用模型的级联。最佳的统一模型只能回答关于其生成内容的 52.4% 的问题，而 gpt-audio 能回答 53.6% 的问题。我们假设，真正统一的音频智能应具有高度自洽性，因此将理解-生成一致性定位为未来统一音频系统的一项必要测试。更多细节见我们的项目页面：this https URL
| 主题： | 声音（cs.SD）；人工智能（cs.AI）；计算与语言（cs.CL） |
| 引用为： | arXiv:2607.28896 [cs.SD] |
| （或 arXiv:2607.28896v2 [cs.SD] 查看此版本） | |
| https://doi.org/10.48550/arXiv.2607.28896 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Aryan Vijay Bhosale [查看电子邮件]
[v1]
2026年7月30日星期四 23:28:11 UTC（4,643 KB）
[v2]
2026年10月21日星期三 17:45:20 UTC（4,825 KB）
来源：arXiv cs.CL · arxiv.org