# AI 音频编辑迈入新纪元：腾讯混元联合多家顶尖机构发布 MMAE 基准，当前模型精准编辑能力不足 5%

- Link: https://paooo.com/aigc-news/23077/
- Published: 2026-06-08T18:30:58+08:00
- Author: Prompt 语宙研究院

⚡ [Prompt](https://paooo.com/ai-image-prompts/) 语宙 AI 导读 · 30 秒核心看点

 * MMAE是首个面向通用指令驱动音频编辑的大规模多任务基准，补齐了行业评测空白。
 * 基准覆盖2000个真实样本、17741项细粒度指标，支持7种模态、6级复杂度与8类操作。
 * 当前主流模型EMR普遍低于5%，说明AI音频编辑仍难兼顾精准修改、原音保真与指令遵循。

人工智能在音频生成领域已取得显著进展，但“编辑”现有音频的能力仍面临巨大挑战。近日，
腾讯混元（Tencent Hy）联合上海交通大学(SJTU)、新加坡南洋理工大学(NTU)、天津大学(
TJU)、北京大学(PKU)、复旦大学(FDU)等多家顶尖科研机构，共同推出了**MMAE（Massive 
Multitask Audio Editing Benchmark）**——首个针对通用指令驱动音频编辑的大规模多任务
基准测试集。这一发布为 AI 音频编辑领域提供了系统性评估标准，凸显了当前技术在精准
修改方面的明显短板。

### **从“生成”到“编辑”:AI 音频能力的真正考验**

传统音频 AI 多聚焦于从文本或提示生成新内容，而 MMAE 基准的核心在于要求模型**理解
现有音频片段，并根据自然语言指令进行精准修改**:仅改变需要调整的部分，保持其他内容
完全不变。这种“编辑而非重构”的能力，对音频保真度、指令遵循性和上下文理解提出了更高
要求，更贴近真实应用场景，如播客后期处理、音乐混音或语音个性化定制。

测试显示，当前主流模型在 ** 精确匹配率（Exact Match Rate， EMR）** 上普遍低于5%，
揭示出可靠音频编辑技术仍存在重大差距。这意味着 AI 在实际编辑任务中容易出现过度修改、
遗漏指令或破坏原始音质等问题。

### **MMAE 基准亮点:覆盖真实场景的多维度评估**

MMAE 基准设计全面而严谨，主要包含以下核心要素:

 * **2000个高保真样本**:全部来源于真实世界场景，确保评估的实用性和多样性。
 * **17741项细粒度评估指标**:提供详尽的 rubric 评分体系，实现客观量化。
 * **7种模态设置**:涵盖声音、音乐、语音及其混合形式，支持复杂音频环境测试。
 * **6级任务复杂度**:从基础修改逐步升级至多跳推理和多轮编辑，全面考察模型能力边界。
 * **8种操作类型**:支持局部与全局不同粒度的编辑操作，挑战模型的精细控制水平。

**AIbase 点评**:MMAE 不仅是技术评估工具，更是推动音频 AI 从“生成式”向“编辑式”转型
的重要里程碑。它为研究者和开发者提供了统一标尺，有望加速下一代音频编辑模型的迭代。

### **未来展望:音频编辑或成 AI 多模态核心竞争力**

随着多模态[大模型](https://paooo.com/ai-study/)的快速发展，精准音频编辑将在内容创作、
影视后期、无障碍辅助等领域发挥关键作用。腾讯混元等机构的此次合作，展现了中国 AI 
研究在音频领域的领先布局。业界期待更多开源资源和后续模型跟进，共同填补这一技术空白。

🧭 文中关联 [AI 工具](https://ai.paooo.com/)官网与参数卡（语宙 AI 导航）

**腾讯混元 ↗**

腾讯混元大模型是腾讯研发的具备跨领域知识和自然语言理解能力的大语言模型。

❓ 常见问题解答（FAQ）

MMAE基准主要评测什么能力？

MMAE评测的是通用指令驱动的音频编辑能力，重点看模型能否只修改指定部分，同时保持其他
内容、音质和上下文不变，适用于语音、音乐和混合音频场景。

为什么说当前音频编辑模型不足5%？

文中提到的是精确匹配率（EMR）普遍低于5%，意思是模型在严格按指令完成局部编辑、且结果
完全符合要求方面表现很弱，容易出现过度修改或遗漏指令。

MMAE对实际应用有什么价值？

它为播客后期、音乐混音、语音个性化等场景提供统一评测标准，帮助研究者客观比较模型
能力，也能推动更可靠的音频编辑模型迭代。

🔬 语宙深潜追问 · 进阶实操拆解

音频局部编辑为何这么难？

因为模型不仅要改对目标片段，还要保持前后音色、节奏、环境声连续，任何微小偏差都会
被人耳放大。实操上通常要结合分段对齐、局部重建和全局一致性约束。

做音频编辑基准该看什么指标？

不能只看整体相似度，更要看局部修改准确率、保真度、时序对齐和指令遵循率。最好再加入
人工主观评测，避免模型靠“听起来差不多”掩盖细粒度错误。

🗳️ 读者观点微投票 · 您的实战立场是？

音频编辑模型，先追求可听还是可改准？

🕸️ 语宙向量知识图谱 · 语义强关联深度内链

[🐋 所属权威专题：DeepSeek 深度实战与部署 →](https://paooo.com/topics/deepseek/)

 * [腾讯AI Lab发布AudioGenie：革命性无训练多智能体框架，实现多模态输入到高质量音频的精准生成](https://paooo.com/aigc-news/14070/)
 * [腾讯混元HunyuanVideo-Foley开源：AI视频音效生成模型，多模态扩散变换器驱动沉浸式创作](https://paooo.com/aigc-news/13919/)
 * [英伟达推出统一音频智能模型 Nemotron-Labs-Audex-30B-A3B](https://paooo.com/aigc-news/25920/)
 * [Stable Audio 3 开源发布：0.62秒生成20秒音频，音频创作门槛再降低](https://paooo.com/aigc-news/17895/)

[🏛️ Prompt 语宙研究院](https://paooo.com/author/paooo-research/) · Prompt 语宙研究院（
paooo.com Research）专注于前沿多模态大模型架构拆解、AI Agent 工作流评测、AIGC 提示
词工程（Prompt Engineering）与全球高增长 AI 生产力工具实测追踪，致力于为中文开发
者与创作者提供一手、可复现的深度技术洞察。

[📄 Markdown 纯净版](https://paooo.com/aigc-news/23077/?format=md)

💡 这篇内容对您有启发吗？

[📡 RSS 订阅](https://paooo.com/feed/)[✨ 提交 AI 工具 / 合作](https://paooo.com/submit-tool/)

**🚀 Prompt 语宙 AI 创作者生态：**探索 2,800+ 全球实用 AI 工具与高精度生图提示词
咒语库

[🧭 语宙 AI 导航 (ai.paooo.com)](https://ai.paooo.com/)[🎨 AI 生图 Prompt 库](https://paooo.com/ai-image-prompts/)
[📚 核心专题导航](https://paooo.com/topics/)[⚡ AIGC 早报生成器](https://paooo.com/mtool/)
