#音频语言模型

arXiv 上的新论文，测了 6 个音频模型怎么在内部表征音位，发现只有 Qwen2.5-Omni 在浊音上真把听和读对齐了，分析挺细。

给模型生成的声音事件描述做事实核查，不用再跑一遍音频编码，延迟只有 CED-Base 的十八分之一，音频方向的研究者可以看看。

这篇论文把提示学习从文本拓展到音频端，在11个数据集上验证了效果，代码已开源做少样本音频分类的可以看看。