科大讯飞斩获CHiME-7多通道语音分离识别大赛冠军

本教程将为您详细解读科大讯飞联合团队在CHiME-7国际语音识别大赛中夺得双冠的技术突破。从比赛背景、任务定义到核心技术方法，我们逐一拆解，帮助您理解这场“最难语音识别任务”背后的挑战与创新。

1. 什么是CHiME-7及DASR任务？

CHiME（Computational Hearing in Multisource Environments）系列比赛被誉为语音识别领域的“奥运会”，自2011年发起，旨在攻克著名的“鸡尾酒会问题”——即在嘈杂、多人同时说话的环境中，准确分离并识别每个人的语音。

本届CHiME-7由马尔凯理工大学、卡内基梅隆大学、约翰霍普金斯大学、东京都立大学的学者共同组织，设置了“多设备多场景远场语音识别任务（DASR）”。与往届相比，CHiME-7的难度进一步提升：

• 测试集在CHiME-6基础上扩充，新增DiPCo和Mixer 6两个数据集；
• 麦克风设备类型涵盖线性阵列、环形阵列、分布式麦克风等；
• 对话场景更丰富，除朋友聚会外，新增采访、打电话等场景。

CHiME-7官方给出的任务图例

小提示： 远场语音识别通常面临“噪声、混响、多人语音交叠”三大难题，CHiME-7通过多设备、多场景设计，让任务更贴近真实环境，极具挑战性。

2. 比赛赛制与核心考察指标

DASR任务分为两个赛道：

• 主赛道（Main Track，默认提交）：参赛系统必须完成说话人角色分离（即从连续多人语音中切分出不同说话人片段并判断身份）和语音识别两个步骤；
• 子赛道（Sub Track，自由提交）：说话人角色分离信息由人工标注提供，参赛系统只需基于分离后的片段进行语音识别。

核心考察指标为DA-WER（Diarization Attributed WER），即综合评估说话人角色分离效果和语音识别正确率，值越低越好。

3. 科大讯飞联合团队的夺冠成绩

科大讯飞联合中科大语音及语言信息处理国家工程研究中心（NERC-SLIP）、国家智能语音创新中心，在CHiME-7 DASR任务中斩获全部两个赛道的第一名：

• 主赛道：语音识别错误率21%，相比官方基线系统相对降低60%以上；
• 子赛道：语音识别错误率16%；
• 主赛道和子赛道的DA-WER差距仅5%，表明系统在实际环境中的应用效果大幅提升。

主赛道语音识别成绩（值越低越好）

主赛道说话人角色分离成绩（DER代表分离错误率）

子赛道语音识别成绩（值越低越好）

重点提示： 科大讯飞自CHiME-4、CHiME-5、CHiME-6以来，连续四届夺冠，展示了在语音识别源头技术上的持续领先。

4. 关键技术突破：四大创新方法

面对声音交叠、远场混响、噪声干扰、随意对话风格等难点，联合团队采用了以下四种核心技术：

4.1 基于记忆模块的多说话人特征神经网络说话人角色分离算法（NSD-MA-MSE）

该方法通过大规模说话人聚类得到类中心向量，设计记忆模块，利用注意力机制计算目标说话人特征。采用序列到序列的方式预测多个说话人的帧级语音/非语音概率，极大降低了说话人角色分离错误率（DER），有效辅助后续分离和识别。

4.2 阵列鲁棒的通道挑选算法（Array-Robust Channel Selection）

基于波束语音信噪比挑选准则，自动从不同阵列分布中选出有效通道，减少下游任务的无效噪声。同时结合空间-说话人同步感知的迭代说话人角色分离算法（SSA-IDA），迭代修正因声学特性相似导致的说话人错分，精准捕捉目标说话人信息，大幅降低语音识别难度。

4.3 场景自适应自监督表征学习方案（Scene Adaptive Self-Supervised Learning Method）

将前端处理后的音频作为自监督模型输入，提取高层次表征作为指导标签，实现特定场景的快速自适应匹配。结合层级渐进式学习和一致性正则约束，提高预训练模型对下游语音识别任务的鲁棒性，融合多层级信息提升复杂场景识别效果。

5. 技术成果的未来应用展望

科大讯飞从2010年率先开展深度神经网络语音识别研究，到全球首个中文DNN上线、DFCNN创新，再到持续探索无监督预训练、多模态技术。这些成果已落地教育、医疗、城市、工业、金融、汽车等领域，以及讯飞输入法、翻译机、智能办公本、AI学习机等产品。

面向未来，CHiME-7的技术成果将支撑“讯飞超脑2030”计划，让家庭陪伴机器人能够精准识别每位家庭成员的需求，结合多模感知、认知智能、AI运动智能等，实现系统性创新——不仅听清、听懂，还能做到情感陪伴与日常照顾。

6. 常见问题解答（FAQ）

• Q: CHiME比赛为什么被称为“最难语音识别任务”？

  A: 因为它模拟真实的“鸡尾酒会”场景，需要同时解决多人语音交叠、远场噪声、混响、说话人身份识别等多重难题，对算法的鲁棒性和泛化能力要求极高。

• Q: CHiME-7相比CHiME-6难在哪里？

  A: CHiME-7扩充了测试集（新增DiPCo和Mixer 6），使用了更多样化的麦克风设备（线性阵列、环形阵列、分布式），并增加了采访、打电话等新场景，且要求同一套算法系统处理所有数据，不允许为每个场景单独调参。

• Q: DA-WER指标具体如何计算？

  A: DA-WER（Diarization Attributed Word Error Rate）先进行说话人角色分离，再将识别出的词与正确词比较，同时惩罚分离错误（如未分离出某人、错分、插入等），综合了分离和识别的错误。值越低，系统越强。

• Q: 科大讯飞的技术中，NSD-MA-MSE算法有什么独特优势？

  A: 它通过记忆模块存储大量说话人聚类中心，利用注意力机制动态匹配目标说话人特征，能有效处理高重叠率的多人语音，极大降低分离错误率。这是首次将记忆增强机制用于说话人角色分离。

• Q: 这些技术是否会应用到普通用户的设备上？

  A: 是的。科大讯飞已将这些技术融入讯飞听见、讯飞输入法、智能录音笔、AI学习机等产品中，未来还将用于家庭机器人等新场景，让普通用户也能享受高精度的远场语音识别。

通过本次教程，我们深入了解了CHiME-7大赛的挑战、赛制以及科大讯飞联合团队的核心技术创新。希望这些内容能帮助您把握远场语音识别的最前沿动态。智能语音不仅是万物互联的入口，更是人工智能赋能各行各业的密钥——科大讯飞正用实际行动，让机器在嘈杂世界中听清每一位用户的声音。

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：科大讯飞斩获CHiME-7多通道语音分离识别大赛冠军要求：
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