音频语言模型

该研究提出了“匹配同类别对照”的实验协议，用于区分音频语言模型答案变化是源于对声音事件类别的真实响应，还是对波形改写的敏感。

音频语言模型（ALM）是一类能够同时处理音频和文本输入并生成文本输出的多模态模型，通过音频编码器将声音信号映射到语言模型的表示空间。

当前音频语言模型在处理音乐相关任务时通常追求通用的、平均化的反应，忽略个体差异。