PRISM-Bench：一种以音频为中心的文本转音视频生成诊断基准测试

arXiv 于 2026 年 9 月 7 日发布 PRISM-Bench，这是首个面向文本生成音视频（T2AV）的音频中心诊断基准。该基准基于 900 个经人工验证的样本构建，将音频评估分解为音频类型（语音、音乐、声音）和声源可见性（屏幕内、屏幕外）两个正交维度，并从视听一致性、音频质量、音频表现力和提示遵循四个感知维度进行评价，共包含 35 项细粒度标准。为确保评估可靠性，研究采用了基于盲测并排对比的增强型多模态大模型作为裁判协议，其与人类评分者的平均一致性超过 70%。对近期 T2AV 系统的评估显示，前沿模型与开源模型之间存在显著性能差距；同时发现当前生成范式过度拟合感知保真度，而在复杂定位与控制任务上表现不佳，特别是在音乐生成和屏幕内音频同步方面。