Investigadores de Melbourne y UNSW presentan VoxMem, un nuevo conjunto de referencia que expone fallos críticos en la evaluación actual de la memoria de la IA de voz. A diferencia de métodos anteriores que ignoran los matices del audio, VoxMem aísla la longitud de la conversación para evaluar la capacidad de recordar la identidad del hablante, el tono y los sonidos ambientales en 34.743 instancias de audio. Las pruebas realizadas en 15 modelos principales revelan que ninguno supera el 40% de precisión con una longitud de contexto de 32K. Los modelos tienen dificultades significativas con las señales paralingüísticas y los sonidos ambientales, disminuyendo su rendimiento a medida que aumenta la longitud del historial, lo que destaca una brecha importante en las capacidades de comprensión de audio de larga duración.