Cet ensemble de données est un benchmark audio-texte à grande échelle. Premier benchmark d'évaluation de la confiance multidimensionnelle adapté aux grands modèles audio, AudioTrust se concentre sur l'évaluation de la crédibilité multidimensionnelle des grands modèles de langage audio (ALLM). Les résultats pertinents de l'étude sont les suivants :AudioTrust : analyse comparative de la fiabilité multiforme des modèles de langage audio à grande échelle". Aperçu de l'ensemble de données :

• Contient plus de 4 420 données audio-texte de scènes réelles, couvrant 18 scénarios du monde réel tels que des conversations quotidiennes, des appels d'urgence et des assistants vocaux.
• Type de tâche : détection anti-usurpation d'identité audio, reconnaissance de commandes vocales, vérification de l'authenticité du contenu, alignement sémantique multimodal.
• Modalité : Audio (instructions vocales, audio trompeur), Texte (description des instructions, étiquette d'évaluation).

Citation

@misc{audiotrust2025, titre={AudioTrust : Évaluation comparative de la fiabilité multifacette des grands modèles de langage audio}, auteur={ Kai Li et Can Shen et Yile Liu et Jirui Han et Kelong Zheng et Xuechao Zou et Lionel Z. Wang et Xingjian Du et Shun Zhang et Hanjun Luo et Yingbin Jin et Xinxin Xing et Ziyang Ma et Yue Liu et Xiaojun Jia et Yifan Zhang et Junfeng Fang et Kun Wang et Yibo Yan et Haoyang Li et Yiming Li et Xiaobin Zhuang et Yang Liu et Haibo Hu et Zhuo Chen et Zhizheng Wu et Xiaolin Hu et Eng-Siong Chng et XiaoFeng Wang et Wenyuan Xu et Wei Dong et Xinfeng Li }, année={2025}, howpublished={\url{https://github.com/JusperLee/AudioTrust}}, }