CAST-Bench：追踪多镜头音视频生成中每个声音的来源

CAST-Bench 发布针对多镜头音视频生成的基准测试，包含 900 个提示词和 18 项指标，旨在追踪每个生成声音是否源自正确源、同步及语义准确。 该基准测试了 12 个代表性生成器，发现视觉质量接近饱和，但音频语义分数差异显著；多镜头提示词在子集评分规则下得分较低，多人语音及跨镜头事件保持仍为主要挑战。