Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

See, Hear, and Understand: Benchmarking Audiovisual Human Speech Understanding in Multimodal Large Language Models

Created by
  • Haebom
Category
Empty

저자

Le Thien Phuc Nguyen, Zhuoran Yu, Samuel Low Yu Hang, Subin An, Jeongik Lee, Yohan Ban, SeungEun Chung, Thanh-Huy Nguyen, JuWan Maeng, Soochahn Lee, Yong Jae Lee

AV-SpeakerBench: Speaker-Centric Audiovisual Reasoning Benchmark for Multimodal Large Language Models

개요

본 논문은 시각, 청각, 언어를 결합하여 이해하는 멀티모달 대규모 언어 모델(MLLM)의 성능 평가를 위해 개발된 AV-SpeakerBench에 대해 소개한다. AV-SpeakerBench는 실제 비디오를 기반으로 하며, 사람의 음성에 대한 미세한 추론 능력을 평가하는 데 초점을 맞춘 3,212개의 객관식 문제로 구성된다. 이 벤치마크는 화자를 중심으로 구성되었으며, 오디오-비주얼 의존성을 질문 의미에 통합하는 방식으로 설계되었다. Gemini 계열 모델이 우수한 성능을 보였으며, Qwen3-Omni-30B는 Gemini 2.0 Flash에 근접했으나 Gemini 2.5 Pro에는 미치지 못했다.

시사점, 한계점

시사점:
MLLM의 화자 중심 오디오-비주얼 추론 능력 평가를 위한 새로운 벤치마크 개발
화자, 발화 내용, 시점을 정확하게 연결하는 미세한 추론 능력 평가 가능
Gemini 계열 모델의 우수한 성능 입증 및 오픈소스 모델과의 격차 확인
오디오-비주얼 융합 능력의 중요성 강조
한계점:
오픈소스 모델의 성능 향상 및 벤치마크 개선을 위한 추가 연구 필요
제한적인 모델 종류 및 데이터셋에 대한 평가
본 논문 자체에서 제시된 한계점은 명시되어 있지 않음
👍