speech-perception

本文评估了四个领先的实时语音AI系统（GPT Realtime 2、Gemini 3.1 Flash Live、Qwen3.5 Omni Plus、Omni Flash），发现它们始终根据词语而非语气采取行动，即使能够感知到痛苦、恐惧或讽刺也忽略不计——这被称为语音AI的“情商鸿沟”。

本文介绍了使用来自wav2vec 2.0的语音熵对RAMPHO情节缓冲区进行计算机模拟，以分离多说话人环境中的信息掩蔽和能量掩蔽，揭示了一个认知-声学帕累托优化问题。