Фронтальные модели плохо распознают звуки ASMR: 8 ИИ-судей против человеческих оценок на 480 клипах

Автор исследовал способность передовых языковых и аудио-моделей (Gemini, GPT, Claude) классифицировать звуки в ASMR-записях для обучения собственной модели text2asmr. Результаты показали, что ИИ значительно уступает людям в распознавании физических триггеров (шуршание, постукивание), хотя и неплохо справляется с шёпотом. Выявлено, что модели часто путают чистые звуковые эффекты с ASMR-контекстом и полагаются на транскрипты, а не на анализ аудио.