VoxMem 用 3196 道题测 15 个音频大模型：32K 上下文下无一超过 40%，换成文字稿后说话人识别从 69.8% 掉到 10.3%
研究者提出按“声学证据类型（语音语义、说话人身份、副语言线索、环境声音）×记忆操作（信息抽取、多会话推理、时序演化追踪、拒答）”两轴组织的口语对话记忆分类法，并据此构建 VoxMem 基准：3196 个评测实例、34743 段会话、177 小时音频，覆盖 8K 至 64K 四种上下文预算；评测 15 个大型音频语言模型后发现，32K 预算下无一模型总体准确率超过 40%（最强 38.5%），模型对“说了什么”的记忆明显好于“谁说的、怎么说的、周围有什么声音”，且把音频换成精确文字稿后说话人准确率从 69.8% 降至 10.3%，而语音语义仅从 75.9% 微降至 71.0%。