arXiv · cs.AI· Yucong Liu, Qi Tian, Shuyuan Tu, Kaihang Pan, Weijie Kong, Chao Pan·· 19 小时前
CAST-Bench：在多镜头音视频生成中追踪每个声音的来源
CAST-Bench: Tracing Every Sound to Its Source in Multi-Shot Audio-Video Generation
AI 导读
研究者推出 CAST-Bench，用于在多镜头音视频生成中把每个生成声音追溯到预期声源，将 T2AV 正确性定义为“音视频契约”。该基准把 900 条提示词分为 9 类声源（每类 100 条，含 439 条单镜头与 461 条多镜头叙事），并提供覆盖视觉表现、内容一致性、音频与语义对齐三个维度的 18 项指标。
来源：arXiv · cs.AI · arxiv.org