כתבה
arXiv cs.CL ·
יומן: הבנת אירועים אודיו ארוכים מאוד
Logbook: Extremely Long-form Audio Event Understanding
Logbook הוא בנך להבנת אירועים אודיו בקנה מידה של שעות. הוא כולל הקלטות אודיו ממושכות ודורש ממערכות לחזור אירועים עם תיאור. המחקר בוחן 52 מערכות ומצא שהמשימה אפשרית, אך התוצאות עדיין מתחת לרמה האנושית.
תקציר מקורי באנגליתarXiv:2610.07338v1 Announce Type: cross Abstract: Audio benchmarks are built around short, pre-segmented clips, limiting model design to brief inputs or fixed vocabularies. To close this gap, we introduce Logbook, a benchmark for hour-scale audio understanding, with recordings ranging from ten minutes to six days. Given a continuous audio recording and an event label vocabulary, a system must predict a gap-free segmentation with an event label and a description per segment. We compare 52 systems, end-to-end and cascaded, and ablate fine-tuning, context length, and reasoning budget. We find the task tractable, though the best systems remain below the human reference. Also, over-segmentation is pervasive, and fine-tuning partially mitigates it. Finally, end-to-end are often better than casca
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית