为什么重要
Text-to-Audio-Video（T2AV）生成正迅速成为媒体创作的核心接口，但其评测方法仍然碎片化。现有基准大多孤立评估音频和视频，或依赖粗粒度的嵌入相似度，无法捕捉真实提示所要求的细粒度联合正确性。AVGen-Bench 是首个系统性地对 T2AV 生成进行多粒度评测的基准。
核心设计
AVGen-Bench 采用任务驱动的设计理念，结合轻量级专家模型与多模态大语言模型（MLLMs）构建评估框架，实现从感知质量到语义一致性的多层次评估。评测覆盖音频质量、视频质量、音视频对齐等多个维度，支持细粒度的联合评测。
关键发现
评测结果显示，当前 T2AV 生成模型在音视频联合一致性方面仍有显著差距，尤其是在复杂提示下的细粒度语义对齐上。这为后续模型改进提供了清晰的方向。