ScreenASR-Bench：带视觉语境的分层语音识别基准

ScreenASR-Bench 是一个分三级的语音识别基准，按视觉证据类型分为显式文本证据（ETE）、显式视觉证据（EVE）和隐式语义证据（ISE），难度递增。在 ASR 模型、Large Audio-Language Models（LALMs）和 Omni 模型上的实验显示，引入视觉语境后三类模型的召回率均较纯音频设置显著提升，ETE 增益最大、ISE 最小。该基准已公开释出。