从文本到语音：一个可复现且可验证的工具调用 LLM Agent 评估框架

针对语音代理日益增长的可靠工具使用需求，本文提出一种与数据集无关的框架，将现有文本基准转化为可控的音频工具调用评估，无需重新标注。该框架利用文本转语音、说话人变化及环境噪声生成配对实例。通过对七种多模态模型在转换后数据集上的广泛评估，发现性能高度依赖模型与任务，主要失败源于对语音参数值的误解。此外，研究还验证了开源模型作为评判者的有效性，为隐私保护评估提供了可复现的诊断工具。