论文页面 - MMAE: 大规模多任务音频编辑基准

来源：https://huggingface.co/papers/2606.07229 发布于 6月5日

#2 当日论文 (https://huggingface.co/papers/date/2026-06-08) 作者：

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

摘要

MMAE 提出了一个全面的基准测试，用于跨多种模态和复杂度级别的基于指令的音频编辑，揭示了当前模型能力中的显著差距。

我们介绍了 MMAE（大规模多任务音频编辑 (https://huggingface.co/papers?q=Multitask%20Audio%20Editing) 基准），这是首个专为通用基于指令的音频编辑 (https://huggingface.co/papers?q=instruction-based%20audio%20editing) 设计的综合评估测试平台。受智能创作趋势推动，交互式编辑已从视觉领域迅速扩展至音频领域——此前视觉领域已有 Nano-banana 2（图像）和 Gemini-Omni（视频）等模型开创先河。然而，当前的评估基础设施严重滞后，仍然高度碎片化，仅限于特定子领域或基础操作。不同于现有基准的有限范围，MMAE 涵盖了广泛的真实世界场景，包括 7 种不同的音频模态 (https://huggingface.co/papers?q=audio%20modalities)，如声音、语音、音乐及其混合。此外，我们建立了一个全面的任务复杂度 (https://huggingface.co/papers?q=task%20complexity) 分类体系，涵盖 6 个级别：从基础修改到多跳推理 (https://huggingface.co/papers?q=multi-hop%20reasoning) 和多轮编辑 (https://huggingface.co/papers?q=multi-round%20editing)，以及 2 个粒度级别和 8 种不同的操作类型 (https://huggingface.co/papers?q=operation%20types)。通过人机协作精心策划，MMAE 包含 2,000 个高保真样本，并配以开创性的基于量规的评估 (https://huggingface.co/papers?q=rubric-based%20evaluation) 框架。通过将自由形式任务分解为 17,741 个可验证标准，这一强大的基于量规的范式能够实现精准的多维度评估，同时衡量指令遵循与上下文一致性。我们对主流模型的广泛评估表明，当前系统远未达到可靠编辑的水平。令人震惊的是，精确匹配率 (https://huggingface.co/papers?q=Exact%20Match%20Rate) (EMR) 始终低于 5%，并在复杂的混合模态任务中降至绝对的 0%，暴露出精确执行和结构鲁棒性方面的关键瓶颈。我们希望 MMAE 能够成为智能创作社区未来进步的催化剂，提供清晰的诊断路线图，并为下一代音频编辑系统建立标准化、长效的评估范式。

查看 arXiv 页面 (https://arxiv.org/abs/2606.07229) 查看 PDF (https://arxiv.org/pdf/2606.07229) GitHub27 (https://github.com/ddlBoJack/MMAE) 添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2606.07229)

引用此论文的模型 0

暂无模型链接此论文

请在模型 README.md 中引用 arxiv.org/abs/2606.07229，以在此页面建立链接。

引用此论文的数据集 0

暂无数据集链接此论文

请在数据集 README.md 中引用 arxiv.org/abs/2606.07229，以在此页面建立链接。

引用此论文的 Space 0

暂无 Space 链接此论文

请在 Space README.md 中引用 arxiv.org/abs/2606.07229，以在此页面建立链接。

包含此论文的收藏集 0

暂无包含此论文的收藏集

请将此论文添加到收藏集 (https://huggingface.co/new-collection) 中，以在此页面建立链接。