揭秘首个原生语音基准备战MultiChallenge：大模型音频场景集体闯关
免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈
新智元报道
编辑：LRST
【新智元导读】文本领域的大模型满分选手，换成语音就集体挂科？大模型引以为傲的多轮对话逻辑，在真实人声面前竟然如此脆弱。Scale AI正式发布首个原生音频多轮对话基准Audio MultiChallenge，直接撕开了大模型靠合成语音评测维持的优等生假象。实验显示，强如Gemini 3 Pro在真实场景下的通过率也仅过半数，而GPT-4o Audio的表现更是令人大跌眼镜。
随着实时语音大模型的普及，人们一度以为AI实时伴侣已经跨越了自然交互的最后一道门槛。
然而，大模型在语音对话中表现出的聪明，很大程度上源于评测手段的滞后。
此前，Scale AI推出的MultiChallenge基准凭借对指令保留、推理记忆和自我一致性的严苛考察，被公认为评估大模型逻辑长性的黄金标准。
但长久以来，该基准一直缺少一个真正的音频原声版本。
最近，Scale AI正式补齐了这块拼图，发布Audio MultiChallenge，不仅刷新了语音交互的新高度，更揭开了行业内一个公开的秘密：
由于缺乏原生音频测试集，模型厂商在发布报告时，往往不得不利用T2S（Text-to-Speech）将文本基准转换为语音进行评测。
论文链接：https://arxiv.org/pdf/2512.14865
这种做法虽然让数据看起来很漂亮，却在无形中给模型加了一层过度美化的滤镜。
撕掉语音外壳
为什么TTS测不出真本事？
利用TTS转换来进行评测，实际上是为模型营造了一个完美的无菌环境。
TTS 生成的语音平滑、规律且高度标准化，彻底过滤掉了人类语言中最重要的特质：日常说话时的各种吞吐、重复、琐碎停顿以及临时改口。
当你对AI说：我想定周一，哦不，是周三的票，等下……还是周二吧。
这种充满了逻辑回溯和口语碎片的自然场景，是目前TTS技术极力避免但在现实生活中无处不在的。
过去，模型穿上了一层由合成语音搭建的语音外壳，本质上是在用文本思维处理洁净信号。
而一旦脱离这个外壳，面对Audio MultiChallenge中47名真实说话者录制的原始音频，模型的逻辑链条便会迅速崩塌。
论文直言不讳地指出：模型在合成语音上的得分显著高于真实人声，这证实了干净的合成音频掩盖了模型在现实世界中的失败模式（Masking real-world failure modes）。
Gemini 3 Pro勉强登顶
GPT-4o意外折戟标题
Audio MultiChallenge延续了原版的严苛逻辑，并针对音频特性新增了致命的一击，从指令保留、推理记忆、自我一致性以及核心的Voice Editing（语音编辑） 四个轴向对模型进行综合考核。
根据论文公布的排行榜，目前全球顶尖模型的音频原生能力普遍处于及格线以下：
实验数据揭露了一个惊人的落差：Gemini 3 Pro Preview凭借其推理架构在逻辑深度上维持了领先；而GPT-4o Audio Preview在面对真实人类语音时，表现出的鲁棒性远低于预期，通过率甚至只有Gemini的一半左右。
揭秘三大失败模式
语音逻辑的深层鸿沟
论文通过详细的错误分析，精准捕捉到了模型在音频模态下的三个软肋，这些结论直接指出了大模型在语音交互中的底层Gap：
语音编辑是逻辑黑洞：这是本次基准新增的维度。当用户在说话过程中中途改口或逻辑回溯时，大多数模型会死板地执行听到的第一个指令。该维度的平均通过率仅为17.99%，这意味着模型在听觉上无法有效处理信息的撤回与覆盖。
时长驱动的崩溃：模型表现随着音频总时长增加而稳步恶化。数据显示，当对话累计音频超过8分钟时，模型的自我一致性得分会骤降至 13% 左右。这意味着目前的语音模型在处理长程语音上下文时，状态追踪能力极其薄弱。
音频线索的感知缺失：当任务要求模型识别非语义信号（如背景的环境声、说话人的语气情绪）来辅助推理时，模型表现比纯语义任务下降了 36.5%。这说明模型依然把语音当成脱水的文字在读，而没能真正听懂声音背后的物理世界。
结语
Audio MultiChallenge的发布证明了语音绝不仅是文本的简单投射，包含着实时状态跟踪、情绪理解以及复杂的口语特质处理。
Scale AI的这一记重锤敲醒了业界：如果我们不能撕掉那层精美的语音外壳，解决模型对自然语音中不完美特征的感知断层，那么AGI驱动的自由交互，将永远停留在听懂单词却不懂逻辑的初级阶段。
参考资料：
https://arxiv.org/pdf/2512.14865
秒追ASI
⭐点赞、转发、在看一键三连⭐
点亮星标，锁定新智元极速推送！
相关攻略
OpenClaw 完整使用攻略：从零安装到高效配置的实战经验 在深度使用 OpenClaw 的过程中，我遇到了不少典型问题。本文将系统梳理从环境准备到最终配置的核心步骤与避坑要点，旨在帮助你高效部署，避免重复踩坑。 1 环境准备：正确安装方法与版本选择 首先，确保你的 npm 和 Node js
4月1日消息，字节跳动Seed正式启动大模型人才校招，下设2027届应届生招聘和在校实习生招聘。据悉，今年Seed将加大人才投入，本次在全球招募的2027届大模型人才将达到约100位。在招聘标准上，
OpenClaw本地调用Ollama大模型：免API密钥，云端级模型轻松部署 现在，你可以轻松在本地环境中调用功能强大的大模型，无需依赖第三方平台的API密钥，也不必担心额外费用与隐私泄露风险。OpenClaw与Ollama完美协同，能够在本地部署如GLM-4等云端级别的模型，让你获得安全、高效、可
网易汽车3月19日报道提及2026年最为爆火的是什么，答案一定非 AI Agent莫属。比如最近流行的OpenClaw全民“养龙虾”，就是典型代表。你无需一步一步的告诉它做什么，只需告诉它想要的结果
智通财经APP获悉，中信证券发布研报称，2026年以来，国产大模型厂商聚焦Agent及代码能力升级，竞相发布新模型。即将发布的DeepSeek下一代新模型有望延续高性价比开源模型路线，在能力上实现更
热门专题
热门推荐
百度网盘个人版如何转企业版？完整切换步骤详细指南 当个人网盘难以满足团队文件共享与协作需求时，百度网盘提供的企业版无疑是高效解决方案。本文将为你详细解析如何直接在百度网盘App内，将个人账户一键切换至功能更强大的企业版，快速开启团队文件管理新模式。 第一步：进入个人中心页面 首先，请确保已安装并打开
“AI+eSIM”云智终端方案正式商用，首批合作项目5G AI CPE成功落地 在MWC 2026世界移动通信大会上，产业合作迎来重大进展。由全球移动通信系统协会（GSMA）与中国联通共同倡导的“‘AI+eSIM’云智终端合作联通方案”正式对外发布，并迅速完成首个商业化项目签约。中国联通联合通则康威
洛克王国世界水泡壳技能搭配完全指南：打造攻防一体的战术核心 世界水泡壳的技能池设计充满了战术深度，完美诠释了攻防一体的战斗哲学。无论是纯粹依靠威力压制对手的技能，还是具备控制、辅助等战略功能的技能，都能在其技能库中找到。掌握其技能搭配的核心思路，是让世界水泡壳在对战中发挥出全部潜力的关键，能够轻松取
现货比特币ETF单周吸金14 2亿美元，强势回归背后的市场信号 加密货币市场正迎来关键转折点。近期数据显示，现货比特币ETF资金流入呈现爆发式增长，成为近期最受关注的市场风向标。这不仅反映了机构资金的重新布局，更可能预示着市场供需结构的深层变化。 数据解读：创纪录的资金流入意味着什么？ 根据专业追踪
河西竹篮打水奇遇触发地点指南 想要成功触发《燕云十六声》中颇具趣味的“竹篮打水”奇遇，玩家需要首先前往河西地图的特定区域进行探索。该触发点位置较为隐蔽，建议在河西沿岸的村落与水边场景多番巡视。当你接近正确位置时，可以留意游戏内的环境暗示，例如独特的视觉标识、背景音效的变化或氛围的微妙转变，这些都是系