长视频里只改几秒也能被定位：音视频分开读，AV-mAP从84.76升到91.30
长视频中的伪造往往只涉及几秒钟，而现有音视频伪造基准多集中在短视频说话人片段，长视频取证也以视觉为主。AV-FABLE把16,650对原始—篡改孪生视频（998小时、27种编辑配置）配上独立的音频与视觉时间线，使定位必须同时给出时间边界和受影响模态。在冻结的Qwen3-Omni感知特征上，NFSR用分离的音视频时间解码器读出证据，域内AV-mAP达到91.30，高于共享同一特征的UMMAFormer的84.76，并在三种分布外设置中取得最高AV-mAP。