音频语言模型（ALMs）推动语音理解向多任务生成转型。西工大与南京大学等合作提出MSU-Bench评测基准，专注于多说话人对话理解，涵盖16个子任务。研究表明，现有模型在说话人定位和对话推理方面仍存在不足，未来需优化以提升多说话人理解能力。