每日速览2026年09月06日 17:00消息，百融BR-Voice四项全进Top 5，两项第二，再获IEEE SLT 2026挑战赛验证。
此前, 百融 BR-Voice 在 INTERSPEECH 2026 拿下了全球第三、94.84% 的准确率。
近日,百融再次登上国际舞台——在IEEE SLT 2026顶级会议体系下的SmartGlasses挑战赛中亮相。
在本次国际赛事中，BR-Voice在四项任务中全部跻身全球前五，其中两个语音识别（SLU）任务更是荣获第二名。这一成绩展现了其在语音处理领域的强大实力与技术优势，也为中国在该领域的国际竞争力增添了亮点。从当前表现来看，中国在人工智能语音技术方面的进步不容小觑，未来有望在更多国际舞台上取得更优异的成绩。
如果说在INTERSPEECH那次，百融验证的是“复杂长对话中是否能听懂”——这一次的SmartGlasses挑战赛，百融验证的是“在穿戴设备、多人交谈、真实环境等条件下，能否实现从听清到听懂的端到端全流程突破”。
两场国际赛事，两个不同层面，百融均交出了令人满意的答卷。
01“国际赛场”的含金量
IEEE SLT 是 IEEE 语音与语言处理领域的旗舰 Workshop 之一。
本届挑战赛的全称为“IEEESLT2026智能眼镜挑战赛”，由西北工业大学ASLP实验室联合华为、希尔贝壳、上海交通大学、南京大学、中国科学技术大学、南洋理工大学、Rokid等多家机构共同发起。其核心议题聚焦于第一视角（穿戴）场景下的多说话人语音识别与理解。
共有77支队伍参与比赛，涵盖国内外高校、科研机构、企业和开发者团队。
赛事的含金量，体现在三个层面：会议层级（旗舰会议体系）、主办方（学界与业界顶尖机构合作）、赛题难度（在穿戴场景下的多人真实环境挑战）。
02 四项任务，全部全球 TOP 5
赛制是两大赛道 × 两项任务。
Track1：双人对话理解——单次对话平均时长为5.2分钟，涵盖场景包括餐厅、商场、街道、车内、火车站、办公室、机场和家庭，共8类。
Track2：多人会议理解——单会话平均时长19分钟，参与人数为3到8人，主要场景集中在办公室。 当前，随着远程办公和协作工具的普及，多人会议已成为日常工作中不可或缺的一部分。从数据来看，单次会议平均持续19分钟，参与人数控制在3至8人之间，反映出一种高效但相对紧凑的沟通模式。这类会议多发生在办公室环境中，说明面对面或半面对面的交流仍具有不可替代的作用。尽管技术手段不断进步，但实际场景中的人际互动依然占据重要地位，这或许也暗示了人们在复杂决策或深度讨论时，更倾向于选择面对面的方式进行沟通。
每条赛道同时开展两项子任务：TSA-ASR（带时间戳的说话人属性语音识别，指标为tcpCER，数值越低越好）和SLU（口语语言理解，指标为Accuracy，数值越高越好）。
最终排名：
Track 1 TSA-ASR: 全球第四
Track 1 SLU: 全球第二
Track 2 TSA-ASR: 全球第四
Track 2 SLU: 全球第二
四项任务全部 Top 5, 两个 SLU 都是第二。这是百融 BR-Voice 在穿戴场景下的硬指标背书。
03 63% 的错误率, 意味着什么
本届赛事组委会公布的核心数据，清晰展现了在穿戴设备场景下，语音AI所面临的实际挑战与技术难度。 从技术角度看，这些数据不仅反映了当前语音识别在复杂环境中的局限性，也揭示了未来技术优化的方向。在真实使用场景中，环境噪声、用户语速差异以及设备性能限制等因素，都会对语音AI的表现产生显著影响。这些数据为行业提供了宝贵的参考，有助于推动相关技术的进一步发展和应用落地。
本次比赛使用了106.98小时的四通道音频数据，包含714个独立对话，所有数据均在真实的物理场景中通过智能眼镜采集完成。这些数据均为真实环境获取，非人工合成，因此包含了背景噪声、说话人的声学条件以及空间混响等不可控因素。
说话人重叠是穿戴式多人语音处理中的主要难题。在Track1双人对话任务中，平均重叠率为7.5%，而在一些高重叠的对话中，这一比例可高达35%。Track2多人会议任务的平均重叠率为13.6%，某些极端情况下的重叠率接近45%，意味着几乎一半的时间内有多人同时发言。
参会人数与错误率的关系。同样一句话, 在 3 人会议里说,tcpCER 平均 15.5%;4 人会议升至 31.9%;5 人会议达 49.3%;6-8 人会议平均错误率超过 63%。参会人数每增加 1 人, 识别错误率呈非线性增长。
这就是为什么 Track 2 的纯声学推理题准确率不足 65%。组委会披露, 所有参赛系统都呈现一致的梯度: 语义题 > 声学-语义联合题 > 纯声学题。Track 1 头部系统的语义题准确率接近 90%, 到 Track 2 部分系统语义题突破 90%, 但纯声学推理题准确率仍不足 65%。
这条梯度揭示了当前音频大模型的能力分层:" 会思考 " 已较为成熟," 会听声 " 仍是核心短板。
百融在 IEEE SLT 2026 拿下的两个第二, 均出在 SLU 任务上, 也就是 " 听懂 " 那一层。
04 端到端，不只是 " 百融的选择 "
本届赛事还有一个关键的技术观察: 所有有效提交均采用端到端大模型方案, 统一建模范式, 一次性完成转写、时间戳、说话人归因输出, 替代了传统的级联方案。
端到端已从 " 百融的选择 ", 演进为 " 整个赛道的共识 "。
但同样是采用端到端技术，百融与部分参赛队伍所采取的技术路线存在差异。
第一种路径: 把 ASR、说话人归因、SLU 拆开做。每个环节单独建模型、单独调优。环节增多时, 各环节的误差会逐级放大, 最终 " 理解 " 准确率可能远低于单环节最优。
第二种路径: 用一套完整的端到端方案, 从 " 听清 " 到 " 听懂 " 一次性完成。这是百融的做法, 也是 BR-Voice 一直以来的技术路线。2017 年立项,2018 年第一版上线,2019-2020 年绝大部分人听不出是 AI,2026 年在 IEEE SLT 2026 拿下两个 SLU 第二。
两种路径的本质区别:
拆开做, 优化对象是 " 中间环节 " 的局部指标; 但在真实任务中, 各环节误差逐级放大, 最终结果可能远低于单环节最优。
端到端,优化对象是“最终结果”的全局指标，强调各环节协同推进、整体提升。在当前的实践中，只有实现所有环节的联合优化、共同进步，才能真正推动整体效能的提升，确保目标的高质量达成。这一理念不仅体现了系统思维的重要性，也反映出对整体发展路径的深刻理解。
这种以最终任务结果为导向的优化思路，与百融一贯强调的结果导向理念高度契合。客户真正关注的，并非各个环节的局部最优，而是整个流程的端到端整体最优。这种理念的坚持，不仅体现了企业对客户需求的深刻理解，也彰显了其在实际运营中追求系统性效率提升的战略眼光。
05 我们的解题思路
BR-Voice 在本届赛事中的表现, 源于其端到端架构下的 4 项核心能力。
第一,4 通道多说话人归因。智能眼镜是 4 通道麦克风阵列, 需同步还原 " 谁在说话、说了什么、什么时候说的 " 三个维度的信息。组委会披露, 各参赛队伍对 4 通道的处理路径差异显著: 单通道输入、通道均值融合、波束成形、GSS 语音分离等方案各有优劣。BR-Voice 的端到端架构，以智能眼镜采集的四通道原始音频作为输入，在保留多通道空间声学信息的基础上，通过统一的多模态大模型直接生成包含说话人标签、时间戳和转写文本的结构化结果，无需在模型输入端进行预先的通道融合或单通道化处理，从而减少传统多通道融合过程中空间信息及说话人相关声学特征的损失，并提升复杂多人交互场景下的说话人归属与语音识别能力 ―― 这正是百融在端到端路线上的具体实践, 也是与各参赛队伍在技术路径上的关键差异。
第二, 真实物理场景的鲁棒性。本届赛事数据集均为真实物理场景采集, 非合成构造。BR-Voice 长期在真实电话网络数据上训练, 信息密度比互联网语音低 50%―― 电话网络数据虽非穿戴场景, 但其低信噪比、远场、压缩损伤等特征, 使其成为语音鲁棒性训练的 " 高难度样本 "。叠加穿戴场景下的真实采集数据,BR-Voice 对噪声、口音、距离、混响等不可控因素, 具备深度鲁棒性。
第三, 声学-语义联合推理。本届赛事组委会披露," 声学-语义联合题 " 是所有题型中表现居中的一类 ―― 既不像纯语义题那么好做, 也不像纯声学题那么难。BR-Voice 端到端架构的核心优势, 在于 Token 级的声学-语义联合表征: 声学信号和语义信号在统一表征空间内被同时处理, 完成跨模态联合推理, 避免了传统 ASR → LLM → TTS 链式方案中声学信息向文本转换时的不可逆损失。
第四,具备响应延迟低于500毫秒的工程化能力。实现端到端的工程落地，要求模型部署、推理优化、长上下文处理、流式输出等关键环节全面打通。BR-Voice的端到端响应延迟保持在500毫秒以内，在19分钟的会议中能够持续以流式方式输出结果，即使在说话人频繁切换的情况下，也能维持上下文的一致性与稳定的说话人识别。
这4项能力,单独来看，百融BR-Voice在多个技术维度上已有深厚积累；而当这些技术整合起来，便形成了BR-Voice与其它参赛队伍在端到端能力上的显著技术差距。这种综合能力的体现，不仅展现了其在技术研发上的系统性优势，也反映出其在实际应用中的强大竞争力。
06 为什么 SLU 第二, 比名次更重要
四项任务全部 Top 5, 但更值得关注的, 是两个 SLU 任务都拿了第二。
SLU 是 " 理解 ", 不是 " 转写 "。TSA-ASR 主要关注语音内容的准确转写以及说话人与时间信息的正确对齐，而 SLU 进一步关注语音内容所承载的语义信息及上下文关系。对于 TSA-ASR 中的局部转写错误，后续语义理解模块仍可结合上下文信息进行一定程度的纠正或补偿 ―― 在 4 通道、19 分钟、多人重叠的会议场景中, 机器需要把 " 谁说了什么、是什么意思、涉及哪些会议决议 " 准确还原。关键信息一旦理解错误, 整个会议决策的可靠性将无从保证。
所以,两个SLU任务的第二阶段，更贴近百融希望验证的“从听清到听懂”理念。
百融在“理解”层面位列双第二，进一步印证了BR-Voice的核心定位：不仅能够“听清”，更能“听懂”——从声学信号到语义解析，实现了端到端的全面贯通。
07 智能眼镜:BR-Voice 的下一片
本届 SmartGlasses 挑战赛的成绩, 也是百融另一条产品线的 " 入场券 "―― 百语 (百融智能硬件全栈服务平台)。
百语的 " 端 + 云 + 方案 " 架构, 本就为穿戴场景设计: 端上是嵌入式 SDK, 精准 VAD + 智能降噪, 弱网 / 断网场景下稳定运行; 云上是 Agent 层, 多维度感知、情绪驱动、长期记忆、声纹联动; 方案总集覆盖玩具、耳机、家居、IPC、眼镜等硬件形态。
智能眼镜, 正是百语方案总集中 " 眼镜 " 这一品类的核心形态。BR-Voice 在 IEEE SLT 2026 拿下两个 SLU 第二, 标志着端到端方案在 4 通道、第一视角、真实环境这种严苛评测下, 获得了国际权威赛事的独立验证。
对智能眼镜厂商而言, 在评估语音方案时,BR-Voice 提供的不仅是技术能力, 更是一份经过国际赛事验证的端到端工程答卷。
技术再高，也要回归实际应用。智能眼镜，正是BR-Voice下一步实现大规模落地的“着力点”。
写在最后: 下限, 往往比上限更重要
上一篇文章里我们写过一句话:" 国际赛场证明的是能力上限, 这一通电话证明的是能力下限。"
这一篇补一句: 国际赛场也证明下限。
77支参赛队伍、IEEE SLT 2026旗舰会议体系、SmartGlasses这一未来语音交互入口的标志性应用场景——百融在四项任务中全部跻身前五，其中两个语音识别与语义理解（SLU）任务均获得第二名。
这不是某一项技术的 " 上限 ", 而是 " 端到端、从听清到听懂、对结果负责 " 这条路在多场景下的 " 下限 "。
下限, 往往比上限更重要。
百融 BR-Voice 团队内部讲过一句话:" 技术高到天上去, 也得落到地上来。"
亮相IEEE SLT 2026的赛场，四项任务均位列前五。在上一篇发表于INTERSPEECH的论文中，取得了全球第三、94.84%的准确率。部署在8000家企业的客服中心，展现出20分钟不被挂断的耐心。
让每一个具体的人，得到应有的尊重与关注；让每一个具体的场景，获得技术的有力支撑。 在当前社会快速发展的背景下，我们越来越需要关注个体的价值与需求。无论是新闻报道还是社会治理，都应以人的感受为核心，真正实现以人为本的理念。同时，随着科技的不断进步，技术不应只是冷冰冰的工具，而应成为支撑现实、服务大众的桥梁。只有当技术真正“接住”每一个真实的情境，才能让社会更加温暖、公平与高效。
这是百融九年如一日坚守的初心，也是BR-Voice持续实现的成果。
免责声明：本文为本网站出于传播商业信息之目的进行转载发布，不代表本网站的立场与观点。文中所涉及的文字、图片、音视频等内容，其所有权及由此产生的法律责任均由提供方承担。本网站对文中所述内容的真实性不作任何保证或承诺，也不构成任何投资、购买等建议，读者据此操作，风险需自行承担。 我认为，此类声明在信息传播中具有重要意义，它明确了信息来源的责任归属，也提醒读者在获取信息时保持理性判断。在当前信息繁杂的环境下，明确责任边界有助于减少误导和争议，同时也保护了发布平台的合法权益。然而，这也反映出部分信息在传播过程中缺乏严格的审核机制，公众在面对各类信息时仍需增强辨别能力。
