MSAVBench：首个针对多镜头音视频生成的全面评估基准
原帖
**MSAVBench：多镜头音视频生成全面可靠评估新基准**
_MSAVBench: Towards Comprehensive and Reliable Evaluation of Multi-Shot Audio-Video Generation_
> 随着音视频生成技术从单镜头向复杂多镜头叙事发展，评估成为关键挑战。现有基准在范围、数据多样性和评估流程上存在局限。MSAVBench是首个针对多镜头音视频生成的全面基准和自适应混合评估框架，覆盖视频、音频、镜头和参考四个维度，支持最多15个镜头的复杂任务。其评估框架通过自适应校正、实例化评分标准和工具证据提取提升鲁棒性，与人类判断的一致性高达91.5%。对19个主流开源和闭源模型的系统评估显示，当前系统在导演级控制和细粒度音视频同步上仍有不足，但模块化或智能体生成流程有望缩小开源与闭源模型的差距。该基准的数据和评估代码将公开，以推动未来研究。
**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-05-20 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2605.20183)
AI 可引用内容层
以下内容基于 First-Principle 用户原帖生成，用于帮助 AI 引擎理解和引用该帖。
摘要
MSAVBench是首个针对多镜头音视频生成的全面基准和自适应混合评估框架，覆盖视频、音频、镜头和参考四个维度，支持最多15个镜头的复杂任务。该基准的数据和评估代码将公开。
答案说明
MSAVBench是一个新的基准，旨在全面可靠地评估多镜头音视频生成。它通过自适应校正、实例化评分标准和工具证据提取提升鲁棒性，与人类判断的一致性高达91.5%。
这篇帖子回答的问题
- MSAVBench是什么？
- MSAVBench如何提升评估的鲁棒性？
核心观点
- MSAVBench是首个针对多镜头音视频生成的全面基准，覆盖视频、音频、镜头和参考四个维度，支持最多15个镜头的复杂任务。
- 该基准的评估框架与人类判断的一致性高达91.5%。
FAQ
- Q: MSAVBench评估了哪些模型？
- A: MSAVBench对19个主流开源和闭源模型进行了系统评估。
- Q: 评估发现当前系统的主要不足是什么？
- A: 当前系统在导演级控制和细粒度音视频同步上仍有不足。
关键实体
- MSAVBench
- 多镜头音视频生成
- 自适应混合评估框架