音頻大模型記不住誰在說話？墨大新基準VoxMem揭穿：32K上下文下全員不及格
AI資訊AI新閒資訊正文音頻大模型記不住誰在說話？墨大新基準VoxMem揭穿：32K上下文下全員不及格發布於AI新閒資訊時間 :Oct 9, 2026閱讀 :1分鐘當語音AI被拉進一場長達數小時、橫跨幾十輪的真實對話，它到底能不能記住"這句話是誰說的、用什麼樣的語氣、背景裡有什麼聲音"?墨爾本大學與新南威爾士大學的聯合團隊覺得，現有的評測根本答不了這個問題，於是端出了專門戳這塊軟肋的基準VoxMem。
他們先點破了舊評測的兩道硬傷:一是隻盯著轉寫出來的文字內容，把聲音裡藏著的身份信息、情緒線索、環境聲一股腦丟掉;二是沒法把"歷史有多長"這個變量單獨剝離出來看，於是模型表現差，到底是記性差還是被長度拖垮的，誰也說不清。VoxMem的打法是建一套"聲學證據 × 記憶操作"的二維分類法，把考察維度正交拆開，覆蓋15種組合，而且所有題目在8K到64K的不同歷史長度下保持原樣不動——等於只擰"對話長度"這一顆旋鈕，其餘全鎖死，讓記憶效果的變化能幹淨地歸因到長度上。這套基準的體量不輕:共3196個評測實例、34743個語音會話，合計約177小時音頻，足以模擬一場漫長的多輪交談。
而對15個主流音頻大模型的實測結果，相當打臉。在32K上下文長度下，所有模型的整體準確率都沒能越過40%這條線。更值得玩味的是偏科方向:模型對"說了什麼"的語義記憶，明顯強過對說話人身份、副語言線索（語氣、情緒）和環境聲這三類聲音原生信息的記憶;尤其追蹤語氣起伏、背景聲變化的準確率極低，基本處於抓瞎狀態。而且隨著歷史長度往上加，各類信息的記憶準確率全在往下掉。團隊據此下了個判斷:當前音頻大模型的語音記憶瓶頸，主要卡在"識別、定位、把信息關聯綁定"這幾個環節，而不是推理操作本身——換句話說，模型不是不會想，而是連"誰在什麼時候、以什麼方式說了什麼"這種底層事實都沒接穩，上層推理自然無從談起。
VoxMem這套基準，等於給語音AI量體溫時換了一支更細的體溫計，逼著業界正視一個長期被文字轉寫掩蓋的事實:聽得懂詞，不等於記得住人、語氣和整個世界。相關推薦音頻創作迎來新突破！Stability AI 發佈 Stable Audio 3：長音頻秒級生成Stability AI 發佈新一代音頻大模型Stable Audio3，並開源部分權重。該模型基於潛擴散技術，支持高品質立體聲輸出，生成速度顯著提升。提供多種規格版本，滿足音樂創作和音效製作等需求，並支持可變長度音頻生成。May 27, 2026327.8k研究人員推出LPM1.0模型:實現單圖轉實時交互式數字人視頻LPM1.
0模型發佈，能通過單張參考圖實時生成人物說話、聆聽及唱歌視頻。其核心突破在於多模態處理，可同步整合文本、音頻與圖像，生成唇形精準同步、表情細膩且情緒過渡自然的動態畫面。該模型支持接入ChatGPT等主流語音AI，將傳統語音對話升級為具備視覺反饋的實時交互。Apr 14, 2026290.5k算力本地化：Speechify 推出原生 Windows 應用挑戰系統級聽寫Speechify發佈原生Windows客戶端，從文本轉語音工具升級為全棧語音助手。應用集成三類本地AI模型，支持跨應用實時聽寫與文檔轉錄，對標Superwhisper等競品。
為保障響應速度與隱私，在Copilot+ PC等高性能設備上支持完全本地化運行，用戶無需上傳音頻至雲端，即可利用本地NPU或GPU驅動的Whisper模型。Apr 1, 2026179.0k微軟開源前沿語音 AI 家族 VibeVoice：單次處理 90 分鐘多說話人對話，GitHub 迅速獲 27K Star微軟開源VibeVoice語音AI模型，支持ASR和TTS，具備長音頻處理、多說話人對話生成及實時低延遲特性，已在GitHub獲27K星。採用MIT協議，支持本地部署，無需雲端費用，旨在推動語音合成領域創新。Mar 30, 2026413.
1k班加羅爾初創企業 Arrowhead 融資 300 萬美元 拓展語音 AI 能力班加羅爾語音AI初創公司Arrowhead獲300萬美元種子輪融資，由Stellaris Venture Partners領投，CRED創始人庫納爾·沙阿等天使投資人跟投。資金將用於優化AI模型、擴充團隊，並拓展金融服務市場。Jan 7, 2026214.5k智啟未來，您的人工智能解決方案智庫English簡體中文繁體中文にほんご© 2026
Related
相關文章
認識 Voxel51 3.0：為實體 AI 打造的統一多模態資料平臺
Voxel51 已發布 Voxel51 3.0，這是其資料平臺的一次重大更新。Voxel51 3.0 是一個端對端的多模態資料平臺，將搜尋、篩選、標註和評估整合於單一系統中。該平臺鎖定針對機器人、車輛和工廠感測器資料進行模型訓練的團隊。此次發布新增了 Voxel51 Agent、資料溯源層及免費的自助式存取。重點摘要：規模：Voxel51 Agent 內建超過 45 個 MCP 工具、80 多個運算子及 18 個開源技能。執行環境：可於 app.voxel51.com 使用託管網頁應用程式，或於雲端、混合、地端及隔離環境中自行部署。未揭露本機 GPU 需求。效能：未發布產品基準測試。Voxel51 引用其自身調查數據作為依據。最佳亮點：免費方案包含 Voxel51 Agent、每月 30,000 次推論請求及 30 個運算小時。
本期AI資訊彙總2026年10月18日的產品更新、前沿研究、行業趨勢與開源項目，幫助讀者快速瞭解當天的重要動態
導航SecureDoc // EncryptionActive本期AI資訊彙總2026年10月18日的產品更新、前沿研究、行業趨勢與開源項目，幫助讀者快速瞭解當天的重要動態。
下一概念建模把文本生成提速最高31倍
斯坦福等聯合提出全新文本生成範式 NCM，生成速度狂飆 31 倍AIbase基地發佈於AI新聞資訊 · 1 分鐘閱讀 · Oct 16, 202633人工智能領域的文本生成技術迎來顛覆性創新。斯坦福大學與 Together AI 的研究人員近日聯手推出了一種截然不同於傳統自迴歸和擴散模型的全新文本生成範式——Next-Concept Modeling（簡稱 NCM，即“下一概念建模”）。該方法巧妙借鑑了圖像生成領域中“下一尺度預測”的思路，有望為未來的文本生成技術開闢全新的發展路線。在技術實現路徑上，NCM 模擬了人類“先構思宏觀大綱、再動筆填充細節”的寫作邏輯。整個系統通過兩階段訓練來完成:首先訓練多尺度殘差 VQ-VAE，從而得到能夠逐層補充信息的多層離散文本編碼;隨後凍結該系統，訓練 Transformer 模塊去預測下一層的編碼。在生成文本時，模型會先並行生成概念層面的宏觀大綱，接著逐層並行填充具體細節，最終組合成完整的文本內容。在實際測試表現中，NCM 交出了令人矚目的成績單。實驗數據顯示，在保持相近甚至更優生成質量的前提下，NCM 相對傳統的擴散語言模型實現了10到31倍的生成速度飛躍，並且在訓練過程中所需消耗的 token 數量也大幅減少。此外，在數獨等複雜推理任務上，它的表現也明顯優於傳統的自迴歸和擴散基線模型，同時還支持通過多生成候選挑選機制來進一步優化最終輸出效果。儘管目前該研究所使用的模型參數規模依然相對有限，其在擴大模型規模後的表現、精確文本以及長篇內容的生成能力仍有待後續驗證，但這一創新思路無疑打破了長期以來的技術慣性，為人工智能高效生成文本提供了充滿想象力的全新解法。本文來自AIbase日報掃碼查看歡迎來到【AI日報】欄目!這裡是你每天探索人工智能世界的指南，每天我們為你呈現AI領域的熱點內容，聚焦開發者，助你洞悉技術趨勢、瞭解創新AI產品應用。
Claude自主優化八類量子電路設計
ScienceDesigning more efficient quantum circuits with ClaudeOct 16, 2026Quantum computers will need carefully designed circuits to run useful algorithms on limited hardware.
12.88萬起、華為電驅+L4同源智駕，Ray7能成為埃安年輕化的答卷嗎？
12.88萬起、華為電驅+L4同源智駕，Ray7能成為埃安年輕化的答卷嗎？ 本文作者： 倪萍 2026-10-17 22:42 導語：10月17日，埃安轎跑Ray7正式開啟預售，預售價12.88 萬起。新車車長4.9米，軸距2.9米，車頭部分搭配3.25米的超長雙環燈帶，是埃安10年煥新的家族 10月17日，埃安轎跑Ray7正式開啟預售，預售價12.88 萬起。新車車長4.9米，軸距2.9米，車頭部分搭配3.25米的超長雙環燈帶，是埃安10年煥新的家族式標識。 新車採用寧德時代電池以及廣汽自研的彈匣電池2.0技術，能夠在充分釋放續航能力的同時，監控電池健康狀態。提供45.58kWh和62.98kWh兩種規格，續航可達702公里，整車風阻係數 Cd 低至 0.22。Ray7搭載華為DriveONE多合一電驅，以及華為DriveONE芯片級驅制融合架構，百公里制動僅為32.8米。底盤方面，Ray7搭載高性能前後穩定杆和後五連桿懸架，過彎極限更高，濾振更乾淨。智能化上， Ray7搭載27顆車規級全視角傳感器，採用文遠知行L4級Robotaxi同源大模型。這幫助新車能夠複用 L4 積累的海量場景經驗，在城區掉頭、繞行等複雜場景中可順利通行。自2025年廣汽推進“番禺行動”以來，昊鉑埃安BU的研發、生產、銷售等環節效率不斷提升，產品迭代和新車投放節奏明顯加快。作為埃安全新Ray車系的首款新車，Ray7是埃安開啟年輕化序列的關鍵落子，也是廣汽切入20萬級市場的重要佈局。這一細分市場競爭並不輕鬆：小鵬P7、極氪007等車型已經提前卡位。Ray7想在年輕人心中佔位，不能只堆參數，更要把智能座艙與輔助駕駛、三電安全、補能效率、用車成本和價格權益上的差異，變成用戶可感、可信、可持續的體驗，這才是埃安年輕化的分水嶺。（雷峰網(公眾號：雷峰網)） 雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
梁聖又掀桌了！DeepSeek新模型斬殺GPT-6，許願式編程時代降臨
作者 | 楊京麗 編輯 | 李水青 10月17日報道，剛剛，DeepSeek V4.1 Flash更新至V4.1-Flash-1017版本，官方網頁端、App與API已同步更新至新模型，模型權重也已在HuggingFace和ModelScope開放下載。DeepSeek還向公眾開放自研搜索引擎的Search（搜索）與Fetch（抓取）API，兩個接口均定價為5元/千次。 此次更新距離該模型發佈僅過去一個多月。9月10日，DeepSeek正式推出V4.1-Flash，在性能上超越了DeepSeek-V4-Pro。