英文：Audio Understanding 分类：multimodal
用模型理解音频内容：语音（内容、说话人、情绪）、音乐（旋律、结构）与环境声（事件、场景）。音频基础模型将各类音频统一为"可理解输入"。
技术：音频编码器（频谱→特征）+语言模型（Qwen-Audio 范式）、音频事件检测（AudioSet）、声学场景分类、多任务指令（识别+描述+问答）；评测：语音识别/事件/场景/情绪多基准。
用于智能音箱（环境感知）、会议系统（说话人与事件）、安防（异常声音）与无障碍（音频描述）；音频理解是多模态"听觉"的基础。