SCB：评估语音到语音模型多轮推理的 SpeechConversationBench

论文提出 SpeechConversationBench（SCB），用 103 个分片 GSM8K 问题评测语音到语音模型的语音数学推理，比较一次性给出原题（full）、拼接分片（concat）与逐轮语音披露（sharded）三种条件。摘要报告四款商用语音系统在 sharded 下准确率较 concat 下降 5.0–25.3 个百分点；内部专有语音流水线 LEGO 在三种条件下均达 77.5%，GPT-4o Realtime 的 sharded 准确率为 76.6%。

AI推荐理由 提出面向语音到语音模型多轮推理的评测基准 SCB，用 103 个分片 GSM8K 问题对比一次性给出、拼接给出与逐轮披露三种条件，并报告四款商用语音系统在分片条件下准确率下降 5.0–25.3 个百分点，内部系统 LEGO 在三种条件下均为 77.5%。提供了可量化的多轮语音推理退化证据，但摘要未说明四款商用系统的具体名称与评测细节，且 LEGO 为内部专有系统，可比性有限。