tencent-hunyuan/omnicapbench 是一个同时处理音频与视频的字幕评估框架。该仓库介绍了用于验证视频描述的工具与评估资料，描述会被拆分为物体引用、视觉场景和音频事件。仓库说明中标注了 NeurIPS 2026，提供的信息里没有最新的发布版本。项目使用 Python 编写，采用 Apache-2.0 许可证。
这个框架不给整段字幕打一个总分，而是把描述拆成可以核对的单元，让人看清差异出现在哪里。验证阶段会检查每个单元的结构与时间范围以及轨道之间的关联，随后按时间对齐评估各单元的含义。因此它更关注定位那些仅凭总分无法暴露的错误位置。README 介绍的评估资料包含 786 个视频、5,818 个引用、11,419 个场景、39,160 个子场景和 6,537 个音频事件。README 还说明了标注流程，以及评分工具的安装与使用示例。
不过，给出的 FACTS 中没有与其他评估框架的对比，也没有实际采用案例。该仓库的 GitHub 星标数为 7。因此这份资料适合用来了解结构化音视频字幕评估覆盖哪些单元与流程，但仅凭这些信息很难判断性能或落地适用性。