CARES：一个受控的说话者对声音反应合成基准

研究者构建了 CARES 语料库，包含 10,000 个双说话人场景，用"说话人可听见地反应"这一规则定义声音显著性，并由语言模型生成对话。他们随后在识别场景、标注声音和分类反应三项任务上评测了六个音频语言模型，结果显示这些模型能听到声音，却捕捉不到说话人对声音的反应。