专题：audio-language-model

大型音频语言模型（LALM）目前主要聚焦于语音转文字，虽在转录准确率上取得突破，却缺乏对语义、情感和上下文的深度理解。文章指出模型在倾听能力上的局限，并提出跨模态预训练和层次化记忆两大技术路线作为突破口，呼吁从单纯转录向真正的听懂与交互转变。