Patched Audio Accuracy Evaluation on Natural Voice Counterfactual Samples benchmark leaderboard · SOTA2 Research

Patched Audio Accuracy Evaluation on Natural Voice Counterfactual Samples

59Adj. Swap Patched AccUltravox

Evaluation Results

Method	Links
Ultravox2026.06		59	0.03	45	0.03	34	0.06	52	0.02	48	0.02
Ultravox2026.06		58	0.02	50	0.06	33	0.02	48	0.01	47	0.02
Ultravox2026.06		55	0.01	57	0.02	38	0.08	51	0.01	50	0.03
Ultravox2026.06		53	0.05	46	0.01	41	0.06	38	0.02	45	0.04
Ultravox2026.06		53	0.01	47	0.01	36	0.06	47	0.01	46	0.02
Ultravox2026.06		52	0.02	46	0.05	18	0.05	49	0.01	41	0
Ultravox2026.06		51	0	41	0.02	31	0.04	46	0.01	42	0.01
Ultravox2026.06		47	0.02	39	0.03	46	0.12	45	0.01	44	0.02
Ultravox2026.06		47	0	49	0.06	38	0.03	43	0.03	44	0.03
Qwen2026.06		45	0.21	52	0.27	47	0.18	43	0.21	47	0.22
Qwen2026.06		45	0.14	50	0.18	49	0.22	42	0.12	47	0.17
Qwen2026.06		37	0.21	45	0.19	42	0.22	39	0.17	41	0.2
Qwen2026.06		37	0.12	45	0.13	42	0.14	39	0.12	41	0.13
Qwen2026.06		36	0.17	40	0.09	45	0.19	41	0.21	41	0.17
Qwen2026.06		35	0.05	43	0.11	45	0.23	40	0.12	41	0.13
Qwen2026.06		32	0.1	34	0.04	32	0.07	36	0.05	34	0.05
Qwen2026.06		32	0.04	43	0.08	39	0.02	36	0.04	38	0.05
Qwen2026.06		30	0.05	52	0.1	33	0	34	0.03	37	0.05