跳到正文
arXiv · AI· Mingwei Fu, Zheshu Song, Zhikai Zhou, Shen Huang, Shidong Shang, Mengxiao Zhu·· 2026-10-14AI 评分37

ScreenASR-Bench:视觉语境下语音识别的分层基准

ScreenASR-Bench: A Tiered Benchmark for Speech Recognition with Visual Context

AI 导读

ScreenASR-Bench 是一个含三层递进难度的视觉语境 ASR 基准,涵盖直接屏幕文字(ETE)、视觉内容(EVE)及场景级语义推理(ISE)。 实验表明,引入视觉语境可显著提升 ASR 模型、大型音频语言模型(LALM)及 Omni 模型的召回率;其中 ETE 层级提升最大,ISE 层级提升最小。 研究团队已公开发布该基准,以推动基于视觉锚定的语音识别研究。

来源:arXiv · AI · arxiv.org