已收录文章摘要，完整内容可前往原文阅读。
新智元报道 在语音助手、多用户共享的家庭助理等长期对话场景中，模型需要跨越多次会话记住用户的信息，但现有评测常遭遇两大难题：一是语音中的关键信息不止于文字，说话人身份、语气和背景声只存在于音频信