当语音AI被拉进真实长时间对话，能不能记住“谁说的、语气、背景声音”？墨尔本大学与新南威尔士大学团队推出基准VoxMem。现有评测两道硬伤：只盯文字转写，丢弃声音中的身份、情绪、环境声；无法单独剥离历史长度变量。VoxMem用“声学证据 × 记忆操作”二维分类法，覆盖15种组合，题目在8K到64K历史长度下保持不变，只改变对话长度，便于把记忆效果归因于长度。该基准包含3196个评测实例、34743个语音会话，约177小时音频。对15个主流音频大模型实测显示：32K上下文下准确率均未超过40%。模型对“说了什么”的语义记忆明显强于说话人身份、副语言线索（语气、情绪）和环境声；追踪语气起伏、背景声变化的准确率极低。历史长度增加时，各类记忆准确率全部下降。团队判断，当前音频大模型的语音记忆瓶颈主要在识别、定位、关联绑定环节，而非推理操作本身。模型不是不会想，而是连“谁在何时、以什么方式说了什么”等底层事实都没接稳。VoxMem等于给语音AI量体温换了更细的体温计，逼业界正视：听得懂词，不等于记得住人、语气和整个世界。