来源丨SV4Good AI Lab

Sora、Kling 等文生音视频模型，能画出逼真画面、配上同步声音，但真的懂声学物理吗？吹空瓶子 vs 吹装水瓶子、敲木头 vs 敲金属，模型能生成符合物理规律的声音吗？
本文介绍由香港科技大学（广州）× 腾讯的重磅工作 ——PhyAVBench，首个专门评估“文本→音视频生成”中音频物理合理性的新基准，直接戳穿当前 SOTA 模型的「物理幻觉」。该论文已被ACM MM 2026接受。推理代码、视频生成prompt，以及ground truth音频的embedding已开源，可对其他视频生成模型进行一键测试。

行业痛点：音画生成只「同步」，不「物理」

现在的 T2AV（Text-to-Audio-Video）模型很强：
  • 画面流畅、音画对齐、语义匹配
  • 能做电影剪辑、广告、虚拟世界建模
但有个致命缺陷：只学表面关联，不学物理规律。例如：
  • 敲不同材质，声音应该不一样，但模型常给「通用撞击声」
  • 吹空瓶 / 装水瓶，共振频率不同，模型却生成一样的声音
  • 声音传播衰减、遮挡隔音，几乎全军覆没
现有基准：
  • 只测音画同步、语义一致
  • 完全不评估声音是否符合物理
  • 复用旧数据集，变量不可控，有数据泄露
为了解决这些问题，PhyAVBench专门测试模型对声学物理条件变化，是否有正确、定量的响应。

PhyAVBench 是什么？

PhyAVBench = 专用数据集 + 对比测试范式 + 全新物理评分指标
用于系统性评测T2AV/I2AV/V2A模型的音频物理能力（Audio-Physics Grounding），看模型是否真懂声音背后的物理规律。

1. 全新数据集：PhyAV-Sound-11K（零泄露）

  • 时长：25.5 小时
  • 视频：11,605 条，全新实拍，杜绝训练集泄露
  • 参与者：184 人录制，场景多样
  • 提示词：337 组对比提示对，每组只变一个物理变量
  • 覆盖：6 大物理维度、41 个细粒度测试点
  • 标注：带逐步骤声学物理推理，标注清楚「为什么是这个声音」

2. 全新评估范式：APST（音频物理敏感度测试）

传统评估：
  • 看整体像不像、同步不同步
  • 无法测：物理条件变了，声音对不对
APST 范式：
  • 用成对提示词，仅控制一个物理变量不同
  • 看模型生成的声音，方向是否对、幅度是否准
  • 比如：空瓶 vs 4/5 水的瓶子，吹气声音差异

3. 全新指标：CPRS（对比物理响应得分）

论文提出CPRS = 方向一致性 + 幅度一致性，0~1 分，越高越物理真实。
计算逻辑：
  • 用 CLAP 提取真实音频的特征，算出真实物理变化方向
  • 提取模型生成音频的特征，得到生成变化方向
  • 用余弦相似度算方向对齐
  • 通过将生成的变化方向投影到真实方向，经高斯核正则化计算幅度匹配
  • 平均得到最终 CPRS
关键结论：CPRS 和人类主观物理合理性评分高度相关（相关系数 0.92），是靠谱的自动化指标。
此外，虽然方法使用CLAP提取特征，但实验发现，CPRS的计算几乎不依赖语音embedding模型，使用不同模型计算的结果与人工评分均有较高的相关性：

6 大物理维度，41 个细粒度考点

PhyAVBench 覆盖从基础到复杂的声学物理，包含六大物理维度和41个细粒度考点。

数据集构建流程

PhyAVBench 的PhyAV-Sound-11K数据集通过5 步人 - LLM 协同流水线构建，全程严控物理变量、无数据泄露、保证物理合理性。
  • 音频物理知识调研专家 + LLM 梳理声学物理原理，确定声音产生、传播等核心机制。
  • 物理导向分类体系构建按声源机制、流体气动、传播环境等 6 大维度，拆解出 41 个细粒度测试点。
  • 物理约束提示词组设计LLM 生成单变量控制的成对提示词，人工精修，确保仅一个物理因素不同。
  • 真实音视频采集184 名参与者在可控环境全新录制，共 11605 条、25.5 小时视频，无复用数据、无训练集泄露。
  • 迭代质控与过滤LLM 初筛 + 专家核验，保证音视频质量、文本对齐与物理规律一致性，不合格样本剔除 / 重录。

实测结果：Sora 2 也不及格，行业差距巨大

团队测了17 个 SOTA 模型，覆盖 T2AV/I2AV/V2A，包括 Sora 2、Veo 3.1、Wan 2.6、Kling v2.6 等商业顶流。关键数据（CPRS 越高，物理合理性越强）
  • T2AV
    • 第一：Sora 2 → 0.4512
    • 第二：Wan 2.6 → 0.4120
  • V2A
    • 第一：MMAudio → 0.4003
    • 第二：HunyuanVideo-Foley → 0.3896
  • 而开源模型普遍：0.28~0.33
即便是最强商业模型，物理合理性也远未及格，模型能做「语义正确」的声音，但做不出「物理正确」的细微变化。流体、传播、复杂耦合，是重灾区。
人类评估印证（74 人主观打分）
  • 模型 PVR-MOS（物理变化响应）远低于真实视频
  • CPRS 与人类评分高度一致，证明指标有效

PhyAVBench 的重要性

  • 填补空白：第一个专门评估音频物理合理性的基准
  • 可控可复现：对比提示 + 全新实拍，无泄露、无干扰
  • 细粒度可诊断：知道模型哪类物理现象不行
  • 指标靠谱：CPRS 强相关人类判断，可自动化评测
  • 指明方向：未来音视频生成必须走物理感知路线，而不是纯对齐

总 结

PhyAVBench 的出现，标志着音视频生成从「对齐时代」进入「物理时代」。它告诉行业：好看、好听不够，还要「符合物理」。
未来，能真正理解材料、几何、力、流体、传播的物理感知生成模型，才会拿下下一代音视频生成的王座。
未来研究方向：
基准测试方面
  • 覆盖范围更广
    • 音频类型：音效、音乐、语音及其混合音频
    • 应用场景：受控实验室环境、拥挤城市空间、自然环境等
  • 评判&奖励模型
    • 训练专用的音频物理评判模型，可作为可靠评估工具，用于判别生成音频的物理合理性与保真度。
生成技术方面
  • 融入显性物理规律
    • 未来研究需将显性物理规律与解析公式融入音频生成流程，例如振动、冲击动力学、共振、阻尼以及波传播相关方程。
  • 物理感知可控生成
    • 不仅依托视觉/文本输入实现条件生成，还可基于材质类型、作用力大小、物体质量、弹性、接触几何形态等显性物理变量完成生成。
  • 结合仿真的合成方案
    • 将生成模型与物理仿真器相结合。
    • 融合可微仿真、近似物理求解器或经典声学结构化先验的混合系统，能够实现更贴合真实效果的音频合成。