arXiv cs.AI· Mingwei Fu, Zheshu Song, Zhikai Zhou, Shen Huang, Shidong Shang, Mengxiao Zhu·· 8 小时前AI 评分24
ScreenASR-Bench：面向视觉语境语音识别的分层基准
ScreenASR-Bench: A Tiered Benchmark for Speech Recognition with Visual Context
AI 导读
研究者推出 ScreenASR-Bench，一个分三级的语音识别基准，分别考察屏幕显式文本证据（ETE）、显式视觉证据（EVE）和隐式语义证据（ISE）。在 ASR 模型、Large Audio-Language Models（LALMs）和 Omni 模型上的实验显示，引入视觉语境后三类模型的召回率均较纯音频设置显著提升，且 ETE 增益最大、ISE 最小。该基准已公开释出。
来源：arXiv cs.AI · arxiv.org