真实音频场景，大模型集体挂科！首个原生语音基准MultiChallenge

文本领域的大模型满分选手，换成语音就集体挂科？大模型引以为傲的多轮对话逻辑，在真实人声面前竟然如此脆弱。Scale AI正式发布首个原生音频多轮对话基准Audio MultiChallenge，直接撕开了大模型靠合成语音评测维持的优等生假象。实验显示，强如Gemini 3 Pro在真实场景下的通过率也仅过半数，而GPT-4o Audio的表现更是令人大跌眼镜。

随着实时语音大模型的普及，人们一度以为AI实时伴侣已经跨越了自然交互的最后一道门槛。

然而，大模型在语音对话中表现出的聪明，很大程度上源于评测手段的滞后。

此前，Scale AI推出的MultiChallenge基准凭借对指令保留、推理记忆和自我一致性的严苛考察，被公认为评估大模型逻辑长性的黄金标准。

但长久以来，该基准一直缺少一个真正的音频原声版本。

最近，Scale AI正式补齐了这块拼图，发布Audio MultiChallenge，不仅刷新了语音交互的新高度，更揭开了行业内一个公开的秘密：

由于缺乏原生音频测试集，模型厂商在发布报告时，往往不得不利用T2S（Text-to-Speech）将文本基准转换为语音进行评测。

论文链接：https://arxiv.org/pdf/2512.14865

这种做法虽然让数据看起来很漂亮，却在无形中给模型加了一层过度美化的滤镜。

撕掉语音外壳

为什么TTS测不出真本事？

利用TTS转换来进行评测，实际上是为模型营造了一个完美的无菌环境。

TTS 生成的语音平滑、规律且高度标准化，彻底过滤掉了人类语言中最重要的特质：日常说话时的各种吞吐、重复、琐碎停顿以及临时改口。

当你对AI说：我想定周一，哦不，是周三的票，等下……还是周二吧。

这种充满了逻辑回溯和口语碎片的自然场景，是目前TTS技术极力避免但在现实生活中无处不在的。

过去，模型穿上了一层由合成语音搭建的语音外壳，本质上是在用文本思维处理洁净信号。

而一旦脱离这个外壳，面对Audio MultiChallenge中47名真实说话者录制的原始音频，模型的逻辑链条便会迅速崩塌。

论文直言不讳地指出：模型在合成语音上的得分显著高于真实人声，这证实了干净的合成音频掩盖了模型在现实世界中的失败模式（Masking real-world failure modes）。

Gemini 3 Pro勉强登顶

GPT-4o意外折戟标题

Audio MultiChallenge延续了原版的严苛逻辑，并针对音频特性新增了致命的一击，从指令保留、推理记忆、自我一致性以及核心的Voice Editing（语音编辑） 四个轴向对模型进行综合考核。

根据论文公布的排行榜，目前全球顶尖模型的音频原生能力普遍处于及格线以下：

实验数据揭露了一个惊人的落差：Gemini 3 Pro Preview凭借其推理架构在逻辑深度上维持了领先；而GPT-4o Audio Preview在面对真实人类语音时，表现出的鲁棒性远低于预期，通过率甚至只有Gemini的一半左右。

揭秘三大失败模式

语音逻辑的深层鸿沟

论文通过详细的错误分析，精准捕捉到了模型在音频模态下的三个软肋，这些结论直接指出了大模型在语音交互中的底层Gap：

语音编辑是逻辑黑洞：这是本次基准新增的维度。当用户在说话过程中中途改口或逻辑回溯时，大多数模型会死板地执行听到的第一个指令。该维度的平均通过率仅为17.99%，这意味着模型在听觉上无法有效处理信息的撤回与覆盖。

时长驱动的崩溃：模型表现随着音频总时长增加而稳步恶化。数据显示，当对话累计音频超过8分钟时，模型的自我一致性得分会骤降至 13% 左右。这意味着目前的语音模型在处理长程语音上下文时，状态追踪能力极其薄弱。

音频线索的感知缺失：当任务要求模型识别非语义信号（如背景的环境声、说话人的语气情绪）来辅助推理时，模型表现比纯语义任务下降了 36.5%。这说明模型依然把语音当成脱水的文字在读，而没能真正听懂声音背后的物理世界。

结语

Audio MultiChallenge的发布证明了语音绝不仅是文本的简单投射，包含着实时状态跟踪、情绪理解以及复杂的口语特质处理。

Scale AI的这一记重锤敲醒了业界：如果我们不能撕掉那层精美的语音外壳，解决模型对自然语音中不完美特征的感知断层，那么AGI驱动的自由交互，将永远停留在听懂单词却不懂逻辑的初级阶段。

参考资料：

https://arxiv.org/pdf/2512.14865

文章来自于“新智元”，作者 “LRST”。