文明之声：面向全球音乐理解的多语言 QA 基准
声音
2026-03-03 v1 音频与语音处理
摘要
我们介绍 Voices of Civilizations，首个针对音频 LLM 文化理解的多语言 QA 基准，评估其在完整音乐录音中的文化理解能力。该基准覆盖 380 首音乐作品，涵盖 38 种语言，通过四个阶段（每阶段后进行人工验证）生成 1,190 个多选题：1）编译代表性音乐列表；2）通过 LLM 为每个样本生成文化背景文档；3）从这些文档中提取关键属性；4）构建探询语言、地区关联、情绪和主题内容的多选题。我们在四种条件下评估模型并报告每个语言的准确率。我们的发现表明，即使是最先进的音频 LLM 也难以在缺乏丰富文本上下文的情况下捕捉音乐中细微的文化细微差别，表现出对不同文化传统音乐的解释存在系统性偏见。该数据集已公开于 Hugging Face，以促进具有包容性的音乐理解研究。
关键词
引用
@article{arxiv.2603.00533,
title = {Voices of Civilizations: A Multilingual QA Benchmark for Global Music Understanding},
author = {Shangda Wu and Ziya Zhou and Yongyi Zang and Yutong Zheng and Dafang Liang and Ruibin Yuan and Qiuqiang Kong},
journal= {arXiv preprint arXiv:2603.00533},
year = {2026}
}
备注
2 pages, 2 figures, 1 table, accepted by ISMIR 2025 LBD