INPUT
Mixed audio + query
audio.wav≤ 60 seconds
“Locate the first audible gunshot followed by a body falling.”
757Phase 0 候选样本
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
Development scope
声学事件时间定位
目标只保留无需理解词义即可直接听见的声音：音乐与乐器、非语言人声、环境与机械声、冲击与信号，以及边界明确的复合声学事件。
对白内容、剧情和叙事推断交给 TS-ASR。本阶段以 LAT 时间戳为来源，先做声学投影与非破坏性回检；所有模型结果都是候选，不自动覆盖 gold。
Draft protocol
输入、输出与候选指标
当前协议用于数据构建和人工回检，正式版本仍在校准。
OUTPUT
One temporal interval
{
"start": 36.57,
"end": 39.57
}秒为单位，满足 0 ≤ start < end ≤ duration。
PROPOSED EVALUATION
Draft temporal metrics
Macro Temporal-F1区间交并覆盖质量
Boundary-Hit@1s双边界均在 ±1 秒
Data manufacturing
从 LAT caption 到
可审核的声学时间边界
先判断“能否只靠听觉定位”，再根据事件的时间形态选择独立证据。Gemini 负责理解 caption 与固定窗回检，不单独决定 gold。
INPUT20LAT Demo captions
KEEP12directly audible targets
DROP8lexical / narrative
WRITE GOLD0candidate-only pipeline
01
INGEST
Mix audio + LAT caption
保留 60 秒音频、原始 query 与 LAT 时间戳作为来源记录。
02
ACOUSTIC GATE
排除词义与剧情
只有脱离对白词义后仍能直接听见的目标进入声学 benchmark。
03
SPECIFICATION
重写纯声学 query
记录声源、时间形态、起止规则与 occurrence 约束。
04
VERIFY
固定 5 秒窗回检
Gemini 只选择窗口 ID，时间由程序映射，避免自由报秒偏移。
按时间形态分流
固定窗只确认“在哪里”
精确边界由与事件形态匹配的独立声学证据提供。
SUSTAINED / REPEATED持续 · 间歇
5 条 · 固定窗 + Gemini 粗边界 + CLAP 滑窗覆盖
SHORT / CHANGE瞬态 · 转折 · 复合
7 条 · 固定窗 + Gemini 粗边界 + onset / acoustic change
05 · DECISION QUEUE
输出候选与证据，不修改 gold
一致样本可保留；边界移动、新声学投影与证据冲突样本进入人工听测。
正在加载实际样本轨迹…
Interactive gold set
戴上耳机，检查时间边界
普通模式展示当前 gold；声学审核模式展示纯声学 query、固定窗、独立证据与最终候选。
正在加载音频样例…
Reading notes
如何理解当前 Demo
只审核直接可听见的事件
对白词义、剧情和人物关系不进入本任务；非语言人声、乐器、BGM、环境声、冲击与复合声音可以进入。
证据随时间形态变化
CLAP 主要服务持续与间歇声音；瞬态、转折和复合事件依赖固定窗与低层 onset / acoustic change。
原始时间戳始终可追溯
模型输出只生成候选。审核结论保存在浏览器并导出 JSONL，网页不会覆盖 LAT 或人工复核 manifest。