研究者提出多镜头音视频生成基准CAST-Bench

1. 13:00
   arXiv · cs.AI

   CAST-Bench：在多镜头音视频生成中追踪每个声音的来源

   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。

趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。