随着AI视频生成技术向音视频同步演进，如何科学评估其能力成为行业新挑战。现有基准大多侧重视觉质量，忽略了音频与视频的协同性。为此，北京大学团队推出了多维评估框架VABench，系统性地填补了这一空白，为同步音视频生成模型的研发与优化提供了全新、全面的衡量标准。
智能速览
北大推出VABench，首个针对同步音视频生成的综合基准。
弥补了现有基准在音视频同步评估上的不足。
涵盖文本、图像到音视频以及立体声视频三大生成任务。
从15个维度评估，包括口型同步和跨模态相似性等。
测试内容覆盖七大自然与虚拟场景，确保评估全面性。
精华内容
VABench的出现，不仅是一个评测工具的诞生，更是对音视频生成领域的一次深度梳理。其构建思路与评估维度，揭示了未来技术发展的关键方向。
三大核心任务
VABench框架定义了三种主要的音视频生成任务：文本到音视频（T2AV）、图像到音视频（I2AV）以及立体声音视频生成。这覆盖了从零基础内容创作到基于现有素材再创作的完整链条，并特别关注了更具沉浸感与空间感的立体声效评估，贴合当前主流模型的技术发展趋势。
十五维精细评估
评估体系是VABench的核心，其包含两大模块共计15个评估维度。它不仅检测文本、视频、音频两两之间的语义一致性，还深入考察音视频同步的物理合理性，如口型一致性、运动产生的多普勒效应。此外，通过精心设计的音视频问答（QA）对，评估模型对生成内容的深层理解能力。
七大内容类别
为保证评估的全面性与挑战性，VABench的测试数据集覆盖了七大核心内容类别，包括动物、人类声音、音乐、环境音、同步物理声音、复杂场景和虚拟世界。这些类别囊括了从简单到复杂的真实与合成场景，能全面检验模型在不同情境下的音视频协同生成能力与逻辑一致性。
VABench基准的推出，为音视频生成领域树立了新的评估标尺，推动技术从“能看”走向“好听且真实”。它不仅为研究者提供了明确的优化方向，也为未来更具沉浸感和情感表达力的AI内容生成奠定了基础。下一个突破点，会是什么？
