研究者发布MTG-AD数据集与音频描述评测框架

Subhashini Venugopalan 等研究者在 arXiv 发布论文，推出 MTG-AD 数据集与 MTG-AD-Eval 评测框架，用于评估多模态大语言模型生成“行内”音频描述的能力。数据集包含 36 小时视频和 8 千余条专业标注；评测框架将模型生成的描述脚本渲染为音轨，检验其与视频自然静音的契合程度。 实验结果显示，模型能较准确地描述视觉事件并显著减少与语音的重叠，但在叙事节奏上仍有差距；盲及低视力（BLV）用户认为模型生成的音频描述对理解内容有帮助。

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。