MuLA-Bench：通过多层审核的多语言长格式音频理解基准

长篇音频表现通常通过上下文长度和总体准确性来概括，从而掩盖了语言、证据和任务如何共同塑造难度。我们推出 MuLA-Bench：1,769 个野外录音中的 5,038 个开放式问题，总计 1,377.9 小时，涵盖 16 种语言和 8 个领域。平衡的语言 x 领域语义轨道支持受控比较，而互补的声学轨道则保留自然发生的非语音证据。基于证据的生成、快捷检查和语言专家审查提供了可审核的问题，而无需翻译共享源集或注入目标声音。我们评估十个音频语言模型，并对固定的八个模型队列进行汇总诊断。语言排名随着领域和任务的不同而变化；声学语义性能差距随所请求的操作而变化；在识别出正确的事件后，时间错误可能仍然存在。远距离检索相对较强，而精确的时钟对准和自然声学事件的事实基础仍然脆弱。因此，MuLA-Bench 揭示了单个长上下文分数无法捕获的条件故障模式。