OmniTools 7月15日消息，Hugging Face于2026年7月15日正式推出Real World VoiceEQ——一个面向真实场景的语音AI质量评估基准。该基准聚焦语音交互中被传统指标（如词错误率WER）忽略的人类感知维度，包括语调、情绪、说话人身份识别及背景环境理解等。
Real World VoiceEQ基于超100万条人工评分构建，涵盖78.5万条TTS和4.8万条STS评分，评估对象包括40余款主流开源与闭源语音模型，覆盖ASR、TTS、S2S及语音理解等15个以上能力维度、60余项指标。
研究发现：当前语音AI在“说”方面进步显著，但在“听”（尤其是对犹豫、语气、情感等副语言信息的理解）上仍存在明显短板；不同模型在各类能力上呈现高度专业化，尚无单一模型在全部8类能力组中均进入前五；人类评估在主观性任务（如角色适配性、身份一致性）中仍不可替代，现有语音语言模型（SLM）自动评估结果与人工评分一致性有限。
