ChildVox：理解与表征儿童声音的语音、音频及大型音频语言模型基准
摘要
ChildVox 提出了一个全面的基准，用于分析儿童在不同发育阶段的声学交流，整合了来自17个以儿童为中心的音频和语音数据集的20多个子任务。
查看缓存全文
缓存时间: 2026/05/29 07:00
论文页面 - ChildVox：一个面向童年期声音理解与描述的语言、音频及大规模音频-语言模型基准
来源：https://huggingface.co/papers/2605.29257 作者：
，
，
，
，
，
，
，
，
，
，
，
摘要
ChildVox 提出了一个综合性基准，用于利用多种音频和语音模型分析儿童在不同发育阶段的声学沟通行为。
我们提出了 ChildVox，这是一个新颖的基准，旨在描述儿童通过多样化声学信号进行沟通的特点。具体而言，ChildVox 涵盖了从出生到学龄期的完整发育轨迹，涉及生理声音、非语言发声、标准音节以及口语语言。ChildVox 整合了来自 17 个以儿童为中心的音频和语音数据集的 20 多个子任务，支持系统性的跨语料库和跨领域比较。我们评估了一系列具有代表性的音频和语音基础模型（https://huggingface.co/papers?q=audio%20and%20speech%20foundation%20models），包括自监督模型、面向 ASR 的模型以及大规模音频-语言模型（https://huggingface.co/papers?q=large%20audio-language%20models），任务涵盖生理声音分类（https://huggingface.co/papers?q=physiological%20sound%20classification）、发声与标准音节建模（https://huggingface.co/papers?q=canonical%20syllables%20modeling），以及语音质量评估（https://huggingface.co/papers?q=speech%20quality%20assessment）和识别。基准测试结果表明，ChildVox 提供了一套高性能模型，能够识别儿童发出的各种声学信号，支持下游应用，如描述儿童语言水平及追踪随年龄增长的语音产出。
查看 arXiv 页面（https://arxiv.org/abs/2605.29257）查看 PDF（https://arxiv.org/pdf/2605.29257）项目页面（https://tiantiaf0627.github.io/childvox/）添加到收藏（https://huggingface.co/login?next=%2Fpapers%2F2605.29257）
引用本文的模型0
无模型链接此论文
在模型 README.md 中引用 arxiv.org/abs/2605.29257 以从此页面链接。
引用本文的数据集0
无数据集链接此论文
在数据集 README.md 中引用 arxiv.org/abs/2605.29257 以从此页面链接。
引用本文的 Space0
无 Space 链接此论文
在 Space README.md 中引用 arxiv.org/abs/2605.29257 以从此页面链接。
包含本文的收藏集1
相似文章
VoxMem：评估大型音频语言模型中的多模态记忆基准测试
VoxMem是一个用于评估大型音频语言模型中多模态记忆的基准测试，重点考察声学证据类型和多会话记忆操作。它揭示了当前模型中的显著差距，例如与语义内容相比，说话者身份和副语言线索的保留较差。
RedVox：跨语言语音模型的安全与公平性差距
本文介绍了RedVox，一个用于语音模型的多语言安全与公平性基准。通过对五种语言中八个最先进模型的评估，发现存在持续漏洞，且在非英语环境和语音输入情况下更为严重。
SpeechDx：临床语音AI的多任务基准
SpeechDx 是一个大规模临床语音AI基准，涵盖12个数据集和27个任务，覆盖多种健康状况，并按语音生成阶段进行结构化。它评估了12种最先进的音频编码器，结果表明当前模型在临床语音领域无法可靠地泛化。
OmniVChat：合成、基准测试与训练原生视听对话
本文介绍了OmniVChat这一原生视听对话任务，并提出了数据引擎、基准测试和强化学习方法，用于训练和评估全能模型，在合成数据和人类录制数据上展示了性能提升。
VIBE：通过真实世界语音对大型音频语言模型的语音诱导开放式偏见评估
VIBE是一个框架，通过使用人类录制的语音进行开放式任务来评估大型音频语言模型中的生成偏差，揭示了由性别和口音线索触发的系统性偏差。