INPUT
Mixed audio + query
audio.wav≤ 60 seconds
“Locate the first audible gunshot followed by a body falling.”
757Phase 0 核心样本
2语言
3粗粒度事件类型
≤60s混合音频长度
20精选试听样例
Problem definition
不是识别全部内容，
而是找到描述中的声音事件。
目标事件是广义声音事件：可以是一句话、一段对话、人声情绪、音乐变化、环境声音、物体声，或多种听觉线索共同构成的片段。
Phase 0 直接继承 LAT TAG 时间戳，只做确定性的 60 秒内裁剪与相对时间平移，不引入负例，也不重写事件语义。
Minimal protocol
一个输入，唯一答案，两项指标
保持任务定义最小、明确、可复现。
OUTPUT
One temporal interval
{
"start": 36.57,
"end": 39.57
}秒为单位，满足 0 ≤ start < end ≤ duration。
EVALUATION
VAD-style temporal metrics
Macro Temporal-F1区间交并覆盖质量
Boundary-Hit@1s双边界均在 ±1 秒
Interactive gold set
戴上耳机，检查时间边界
波形中的亮色区域是 LAT 金标区间。点击波形可跳转，或使用“只播目标”检查起止点。
正在加载音频样例…
Reading notes
如何理解当前 Demo
它展示金标，不展示模型能力
当前网页用于审阅任务、音频与标注边界；尚未接入任何 baseline 预测。
事件类型是 provisional metadata
Speech、Mixed、Non-speech 来自确定性关键词规则，仅用于浏览和切片分析，可继续人工校正。
原始时间戳保持不变
网页中的时间是裁剪后音频坐标，由 LAT 原始时间戳做同量平移得到。