ScreenASR-Bench分层语音识别基准发布

2026年10月14日，arXiv Artificial Intelligence 报道，Mingwei Fu 等作者发布 ScreenASR-Bench，一个带视觉语境的分层语音识别基准。该基准按视觉证据类型分为三级：显式文本证据（ETE），基于屏幕上的直接文本；显式视觉证据（EVE），使用可见内容而非屏幕文本；隐式语义证据（ISE），需要场景级推理，难度依次递增。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，其中 ETE 增益最大、ISE 最小。作者表示，为促进视觉语境语音识别的未来研究，已公开释出该基准。目前进展为基准发布并公开，尚无后续跟进报道。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。