VoxMem基準評測語音模型長期記憶

現有評測兩大缺陷

語音中的關鍵信息不止於文字：說話人身份、語氣和背景聲只存在於音頻信號裏，一經轉寫便會丟失，而現有基準大多只考察詞彙內容，令模型對聲音維度的理解無從檢驗。

真實交互往往分布在相隔一段時間的多個會話中，現有基準卻局限於單段錄音或單段連續對話，難以模擬語音助手、多用戶共享家庭助理等長期使用場景。