VoiceLongMemEval：AI 助手能否记住你说话的方式？

VoiceLongMemEval（VLME）基准要求每个答案都依赖对话轮次附带的副语言元数据（情绪标签、韵律描述和声音事件），仅凭文字转录无法恢复。提供文本轨副语言元数据可使准确率提升 0.09 至 0.38，配合证据提示时从 0.61 升至 0.69；标准 ASR 流程会系统性丢弃这一信号。音频原生模型可直接从语音中提取线索，得分 0.354 至 0.412，高于盲测的 0.325。