语音识别五连冠技术助力会议高效应用

开会时五个人同时发言、随时打断、快速切换话题，还有人边走边说——这种极度混乱的场景下，会议记录到底能不能对齐？更直接的问题是，AI记录工具到底靠不靠谱？

答案已经有了：在刚刚结束的CHiME大赛中，科大讯飞联合中科大、国家智能语音创新中心，一举拿下了“会议室场景远场多人语音识别”任务的全部两个赛道冠军。连续五届夺冠，这背后是一套真正能打的技术方案。

先看这次比赛有多“为难人”。任务直接搬到了真实的会议室：30个不同尺寸、布局、声学特性的会议室，4到8人的动态参会人数，测试集中语音重叠比例高达39.5%——也就是几乎每三句话里就有一句是两个人同时说的。再加上关门声、电话铃、空调噪声，以及发言人走到白板前、边走边说的场景，传统语音识别系统几乎当场“报废”。

科大讯飞团队交出的成绩单：单通道赛道错误率降至22.2%，领先第二名30.0%；多通道赛道更是低至10.8%，领先第二名46.4%。在7个细分声学场景下，几乎全部碾压其他参赛团队。

这些技术早已不是实验室里的样本——讯飞听见、讯飞智能办公本、讯飞智能录音笔等产品已经用上了。效果提升肉眼可见。

具体怎么做到的？以这次获奖团队的核心方案为例，我们拆开来看看。

先解决噪音下人声分离的问题

多人同时说话时，声音混在一起，传统算法往往分不清谁是谁。这次提出的“基于重叠声检测和语音分离的多说话人迭代聚类角色分离算法”，相当于给每个发言人的声音单独开了一个通道——即便是重叠部分也能独立分离出来，还能修正音色相似或音频畸变导致的角色错分。

接着，解决空间层面上收音和识别问题

发言激动了站起来，走到白板前，边走边说——这种动态场景下，声音的距离、角度、音量都在变。常规波束成形算法容易“跟丢”。团队提出的“长短时空间滤波”方案，在长时语音段上对每个说话人建模，既能避免有效语音片段过少导致的估计偏差，又能捕捉移动说话人变化的空间信息。背景噪声、语音重叠、音量过低、说话人走动这些难题，一个方案全给兜住了。

再针对会议场景提升识别的准确性

哪怕分离出每个人，不同人说话习惯不一样，怎么让模型“听懂”每个人？团队用了“自适应声学与语言模型方案”——通过对话历史和场景关键词动态调整语言模型，实时优化生成策略。模型能理解当前讨论的主题，还能适应发言人的说话习惯，识别结果自然更准。

值得一提的是，这次联合团队在大模型基础上引入了Wa vLM等增强特征表达，融合多专家混合模型（MoE）强化了场景的信息解耦。大模型的发展，不仅提升了准确率，也打开了更多可能性。

有了这些技术，开会听得更清楚已经不是难事。下次开会，不妨试试这些工具——

• 讯飞听见智能会议系统：实现安全、快速、高效的语音识别和转写，已累计服务超过500万间会议室。
• 讯飞智能办公本：核心亮点是会议场景下的多人语音精准识别，最新的Air2采用四麦阵列，配合语义转折点识别算法，说话人识别真正好用。
• 讯飞智能录音笔：支持区分讲话人、语义智能分段、语气词过滤，录音转文字准确率持续提升。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：语音识别五连冠技术助力会议高效应用要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题