Omnilingual-MsASR发布

1. 12:00
   arXiv · NLP

   Omnilingual-MsASR：评估多模态、多语言、长视频多说话人自动语音识别的基准测试

   Omnilingual-MsASR 发布，这是一个覆盖6种语言、最长30分钟、最多20位说话人的多模态多语言长视频多说话人自动语音识别基准测试。 它提供平行的音频和视频输入，用于评估模型的跨模态一致性和利用互补线索的能力。现有顶级多模态大语言模型在细粒度的时间定位、说话人区分和跨模态协同方面存在显著瓶颈，其 tcpWER 经常超过 100%。

趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。