audio-llm

本文探讨了音频大语言模型检测不可靠转录的能力，并提出一种基于音频编码器表示的轻量级预测器，用于触发澄清请求。

论文提出了 VGBench，一个用于诊断音频 LLM 语音智能体中动作层面寻址性的基准；以及 VoxGate，一种后训练方法，能在保留正确工具调用的同时，大幅降低对非佩戴者指令（旁人对话、自言自语、说话人切换场景）的响应误触发。

本文介绍了Hear2Act，一个统一的基准，用于评估韵律线索如何影响任务导向对话的决策。研究发现，当词汇证据不足时，韵律很重要，并且音频LLM通过显式的动作关注表示能获益。

本文介绍了 Aslema，这是一个针对 NADI 2026 共享任务（口语语言理解）的系统，通过微调音频大语言模型和合成数据增强来提升突尼斯阿拉伯语方言的意图识别和槽位填充性能。

研究团队发布LongSpeech：含10万条约10分钟片段的数据集，覆盖8项任务，用于评测长音频理解能力，将在ICASSP 2026亮相。