long-form-speech

Earnings25是一个500小时的基准，用于评估金融财报电话会议中的自动语音识别，提供对齐的转录文本和结构化元数据，支持考虑说话人和行业的评估。

本文介绍了FBK在IWSLT 2026指令跟随共享任务中的提交，开发了用于短时和长时语音指令跟随的SpeechLLMs，探索了分割方法，并通过固定30秒分割实现了稳健的长时性能。

本文提出了一种针对长语音同声传译的实用评估方法，该方法利用自动语音识别（ASR）、强制对齐和句子嵌入对齐来计算连续语音的延迟和质量指标，克服了先前方法的局限性。