VocalAffectBench

新基准显示AI音频模型在语音情感识别方面存在困难

引入了一个名为VocalAffectBench的新基准，用于评估AI音频模型从原始音频中识别语音情感的能力。该基准包含273个真人录制的剪辑，涵盖七种情感标签，结果显示当前模型在准确识别情感方面存在困难，最强的基线模型准确率仅为46.5%。不同情感的识别性能差异很大，中性情感最容易被识别，而惊讶和恐惧情感的识别效果很差。这表明虽然AI可以提取一些情感信号，但离散情感识别仍然是一项脆弱的能力，尤其是在语音代理应用中处理关键的非中性情感时。