论文解读｜MMAE：2000 样本多任务音频编辑基准，揭示当前模型「几乎全不及格」

本周 arXiv 2606.07229 发布的 MMAE（Massive Multitask Audio Editing Benchmark）是一个给音频生成/编辑领域泼冷水的基准：当前所有 SOTA 模型在复杂任务上 EMR 普遍 < 5%，混合模态任务直接 0%。

MMAE 的设计

7 种音频模态：

• 纯声音 / 纯语音 / 纯音乐 / 声音+语音 / 声音+音乐 / 语音+音乐 / 三者混合

6 级任务复杂度：

• 从”改个音量”到”多跳推理 + 多轮编辑”

2 种粒度 + 8 种操作类型：

• 片段级 vs 全局级
• 替换、删除、插入、风格迁移、混合、混音、效果、降噪

2000 个高质量样本 + 17741 个可验证标准。

评估方法：rubric-based

不像传统”音频相似度”（FAD、KLD），MMAE 用细粒度评分量表：

• 把”自由格式任务”分解为17,741 个可验证子项
• 每个子项独立打分
• 能精确诊断模型在哪一步失败

关键发现

• Exact Match Rate 普遍 < 5%
• 混合模态任务：EMR = 0%（所有 SOTA 模型）
• 即使是 Gemini-Omni、Nano-banana 2 类的多模态强模型，在 MMAE 上也远未达到可靠编辑
• 主要瓶颈：精确执行 + 结构鲁棒性

对音频 AI 团队的启示

1. 音频编辑远没到”产品化”程度，不要做 2C 创业方向
2. 需要 rubric-based 评测，相似度指标在多模态下失效
3. 混合模态是真正未解的难题，差异化机会在这里

代码开源：github.com/ddlBoJack/MMAE