arXiv cs.AI· Jaeyeon Kim, Heeseung Yun, Sang Hoon Woo, Chao-Han Huck Yang, Gunhee Kim·· 11 小时前AI 评分31
WoW-Bench：用海洋哺乳动物叫声评测音频语言模型的细粒度声学感知
WoW-Bench: Evaluating Fine-Grained Acoustic Perception in Audio-Language Models via Marine Mammal Vocalizations
AI 导读
研究者提出 WoW-Bench 基准，用海洋哺乳动物叫声作为分布外声音事件，评测大型音频语言模型（LALM）的底层听觉感知与认知能力。该基准包含感知基准和受 Bloom 分类法启发的认知基准，后者另设干扰问题以检验模型是否真正通过"听"来解题。实验显示当前 SOTA LALM 表现远低于人类水平，说明模型仍需更强的听觉 grounding。
正文 · AI 翻译
摘要：大型音频语言模型（LALMs）将语言理解扩展到听觉领域，但其执行低层次听觉任务（如音高和时长检测）的能力仍未被充分探索。然而，低层次听觉对于真实世界中的分布外任务至关重要，在这些任务中，模型必须基于细粒度的声学线索对不熟悉的声音进行推理。为填补这一空白，我们引入了 World-of-Whale 基准（WoW-Bench），利用海洋哺乳动物的发声来评估低层次听觉感知与认知。我们使用海洋哺乳动物的发声作为分布外声音事件，以更好地评估模型的低层次听觉，从而使模型不依赖对声音事件的先验知识。WoW-bench 由一个用于对新颖声音进行分类的感知基准和一个受布鲁姆分类法启发的认知基准组成，后者用于评估记忆、理解、应用和分析声音事件的能力。对于认知基准，我们还额外引入了干扰性问题，以评估模型是否真正通过听觉来解决问题，而非依赖其他启发式方法。对最先进 LALMs 的实验显示，其表现远低于人类水平，这表明 LALMs 需要更强的听觉基础。
| 评论： | ACL 2026 Findings。项目页面：this https URL |
| 主题： | 声音（cs.SD）；人工智能（cs.AI）；音频与语音处理（eess.AS） |
| 引用为： | arXiv:2508.20976 [cs.SD] |
| （或 arXiv:2508.20976v2 [cs.SD] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2508.20976 由 DataCite 颁发的 arXiv DOI |
|
| 期刊 参考： | 计算语言学协会 Findings：ACL 2026，第 31208-31229 页 |
| 相关 DOI： | https://doi.org/10.18653/v1/2026.findings-acl.1562
链接到相关资源的 DOI |
提交历史
来自：Jaeyeon Kim [查看电子邮件]
[v1]
2025年8月28日星期四 16:29:46 UTC（3,075 KB）
[v2]
2026年10月19日星期一 23:09:09 UTC（3,168 KB）
来源：arXiv cs.AI · arxiv.org