2025年8月17-21日，国际语音领域顶级盛会Interspeech 2025在荷兰鹿特丹隆重举行。Interspeech是由国际语音通讯协会（ISCA）组织的语音研究领域顶级国际会议，也是全球规模最大、涵盖范围最全面的口语语言处理科学与技术会议。本届会议以“公平与包容的语音科学与技术”为主题，内容涵盖语音识别、语音合成、语音编码、语音增强、自然语言处理等多个领域。

Interspeech 2025在荷兰鹿特丹召开

远鉴三篇论文被大会录用发表，特别在Multimodal Information Based Speech Processing (MISP) 2025 Challenge中脱颖而出，荣获赛道2（AVSR：音视频语音识别）和赛道3（AVDR：音视频分离与识别）双冠佳绩，并在会议期间完成口头报告。

Interspeech2025 MISP挑战赛Track2和Track3第一名证书

远鉴研究人员进行技术分享

MISP 2025挑战赛作为Interspeech的重要赛事，聚焦多模态会议转录，旨在通过引入额外的模态信息（如视觉），推动语音处理技术的前沿发展。远鉴团队在音频及多模态领域持续深耕，入选论文围绕重叠语音自适应混合分离、语音情感识别、口吃语音识别与事件检测等关键技术展开创新研究。相关成果已深度集成于远鉴核心产品中。

语音分离与ASR创新方案双突破

针对MISP 2025挑战赛，远鉴提出了一整套高效且创新的解决方案。在语音分离方面，采用结合WavLM端到端分割与传统多模块聚类的混合方法，能够自适应处理不同程度的语音重叠；在自动语音识别（ASR）方面，创新性地提出基于ASR感知的观察添加方法，有效弥补了低信噪比下引导源分离（GSS）的性能局限。通过以上提出的创新性方法，远鉴在赛道2和赛道3中均排名第一，充分彰显了该方案在真实会议场景下的卓越性能与技术领先优势。

提出的重叠自适应混合说话人分离与ASR感知观测添加系统流程

提出的基于ASR感知的观察添加系统流程

解决自然场景语音情感识别挑战难题

在处理语音情感识别任务时，远鉴针对自然场景语音情感识别场景提出了一种创新性解决方案。传统单任务模型在复杂环境下性能受限，而融合多任务学习与协同注意力机制的技术路径，展现出巨大的潜力。

远鉴所提出的多任务学习（MTL）方案结合了情感识别、性别分类、说话人验证和语音识别任务。该方案通过一种协作注意力机制，动态建模情感任务与辅助任务特征之间的交互，实现上下文感知的特征动态融合。此外，为应对少数类别样本识别困难以及语义相似样本难以区分的挑战，引入了一种加权焦点-对比学习损失函数，有效缓解了类别不平衡和语义混淆问题。

实验结果表明，远鉴所提出的方案显著提升了情感识别性能。

提出的多任务学习（MTL）方法的网络结构

利用大语言模型应对口吃问题

口吃是一种影响全球超8000万人的复杂神经发育障碍，其特有的言语重复、语音阻塞（阻塞音）和音节拖长（拖音）等症状，使得传统自动语音识别（ASR）技术在处理口吃语音时性能显著下降，严重制约了其在言语康复评估、辅助沟通等关键场景的应用。

针对这一长期存在的技术难题，我们提出了一种由大语言模型（LLM）驱动的ASR-SED多任务学习框架。该框架通过动态交互机制，利用ASR分支生成的CTC软提示来辅助LLM的上下文建模，同时通过SED分支输出口吃嵌入来增强LLM对口吃语音的理解。结合对比学习和Focal Loss的混合优化策略，该技术在普通话口吃语音场景下，成功实现了ASR与SED性能的双重突破，为言语康复等应用提供了坚实的技术支撑。

在权威的AS-70普通话口吃语音数据集上，本框架取得了业界领先的性能表现。

大语言模型驱动的ASR-SED多任务学习框架(左)；SED分支架构(右)

远鉴在Interspeech 2025发表多篇论文，并在MISP 2025挑战赛上斩获双赛道第一，不仅是对公司科研实力的国际认可，更彰显了远鉴在语音技术前沿探索中的领先实力。未来，远鉴将持续深耕多模态语音处理技术，以创新为驱动，不断突破复杂场景下的语音理解与交互瓶颈，推动语音人工智能向更精准、更智能的方向发展。