Daniel Gert Nielsen

daniel-treble

treble-technologies

Shivam Saini

whojavumusic

treble-technologies

Alessia Milo

alessia-treble

treble-technologies

Georg Götz

georg-goetz

treble-technologies

Eric Bezzam

bezzam

🚀

首个开源远场语音识别基准测试：

社区驱动的评估，涵盖 14 个模拟房间，并经过真实世界测量验证：

https://huggingface.co/spaces/treble-technologies/ffasr

📉 差距真实存在且巨大：在所有提交的模型中，低信噪比下的远场词错误率始终比同一语音内容的近场词错误率高出数倍

🔬 值得信赖的方法论：混合波基模拟、仿真到真实验证、测试版中的移动声源分割、保留音频，以及所有提交结果均使用标准化评估硬件

⚡ 精度与速度兼得：帕累托前沿图绘制了平均词错误率与 RTFx 的关系，方便您评估最适合自身部署场景的权衡方案

👀 更多功能即将推出：多说话人场景、麦克风阵列支持以及回声消除已在路线图中

基准测试性能与实际部署之间的差距是语音识别开发中最令人困扰的问题之一。在标准评估中得分优异的模型，一旦涉及真实的房间声学环境——混响、背景噪声、麦克风距离——其表现往往大相径庭。这些因素之间的复杂交互对性能产生的影响，是纯净语音基准测试无法捕捉的。FFASR 排行榜正是我们量化这一差距的尝试。

Treble Technologies 与 Hugging Face 联合推出了远场语音识别（FFASR）排行榜，这是首个开源、社区驱动的基准测试，旨在评估语音识别模型在真实远场声学条件下的表现。该排行榜现已上线，我们诚邀社区提交模型、探索结果，并共同塑造未来的发展方向。

为什么远场评估至关重要

语音界面早已远远超出了耳机和智能手机的范畴。AI 语音智能体、会议室转录、车载助手、人形机器人、智能眼镜以及免提工具，都在迅速普及。它们的共同点是都在声学环境复杂的场景中运行：存在混响、背景噪声、声音重叠，并且麦克风距离说话者可能从一米到数米不等。

主流的 ASR 评估范式尚未跟上这一现实。以近距离麦克风为基础的干净语音基准测试仍是标准做法，虽然它们对于衡量核心识别质量很有用，但无法预测远场性能。一个在 LibriSpeech 或其他近场数据集上表现良好的模型，一旦引入真实的室内声学环境，其性能可能会大幅下降。尽管业界已有多个针对远场和噪声语音评估的研究项目——包括 CHiME、URGENT 和 NOIZEUS——但社区一直缺乏一个标准化的、开放的方式，能够以持续更新的排行榜形式，跨模型一致地衡量这种性能下降。这正是 FFASR 的构建目的。

远场评估的一大挑战是数据的可用性。仅靠物理测量，要在具有代表性的各种房间类型、麦克风距离和噪声条件下大规模收集远场录音，成本高得令人望而却步。而仿真技术使得系统性地覆盖这些场景成为可能，并且可以在不相应增加测量成本的情况下，随时间推移扩展覆盖范围。

FFASR 的另一个目标是鼓励开发对这些条件具有明确鲁棒性的模型。排行榜历来能有效引导研究方向。通过让远场性能变得可见且可比较，我们希望提升整个领域对真实世界声学鲁棒性的重视程度。

基准测试的构建方式

FFASR 排行榜在九种条件下评估模型。决定主要排名得分的四种条件是（截至 2026 年 6 月 22 日）：

• 近场（干声）——在消声室中测量的清晰语音（类似于 LibriSpeech，但混响极小）
• 远场高信噪比（高于 14 dB）
• 远场中信噪比（8 至 12 dB）
• 远场低信噪比（低于 6 dB）

为了让您直观感受这些条件实际听起来的效果，以下样本让您先听到同一段语音作为干声消音音频，然后与房间脉冲响应进行卷积，最后在每个信噪比层级下添加噪声。干声录音与低信噪比远场条件之间的差异，可以合理反映该排行榜所衡量问题的规模。

另外两列——实验室实测与实验室仿真——作为仿真到现实的验证通道。排行榜还包含移动声源分类（目前处于测试阶段），用于评估模型在说话人移动而非静止状态下的音频表现。这一条件反映了人形机器人、车载语音和移动语音助手等使用场景，在这些场景中，说话人与麦克风之间的声学几何关系持续变化。

声学数据由 Treble 的混合仿真引擎生成，该引擎在低频至中频段结合波动求解器，在高频段采用几何声学建模。这种方法能够捕捉到更简单的仿真方法常常遗漏的物理现象：衍射、散射、干涉和模态行为。其结果是生成的仿真数据与实测声学条件高度吻合，实验室实测与实验室仿真两列通过在两者上运行相同的评估，直接验证了这一点。

该基准测试包含十四间配备齐全的房间，体积从 20 到 470 立方米不等，涵盖浴室、带走廊的客厅、办公室、教室和餐厅空间。每个声学场景包含一个目标说话人（在消音室中录制，以避免录音环境带来的混响伪影）以及最多三个噪声源。每个场景都包含一个瞬态噪声源（如咳嗽声）和一个持续噪声源（如暖通空调系统），并设置三个信噪比层级。这种覆盖范围旨在反映已部署语音系统实际运行的空间多样性。

除了词错误率（WER）外，排行榜还报告了每项提交内容的 RTFx（每秒推理处理的音频秒数），该指标在相同条件下基于 NVIDIA L4 GPU 进行评估。在实际部署中，准确率和延迟两者都很重要，而“分析”选项卡中的帕累托前沿视图则清晰地展示了这种权衡关系。

该基准测试基于 Treble Technologies 专有的仿真引擎，构建于模拟声学空间之上。去年发布的 Treble10 数据集提供了该引擎输出的一个示例，该数据集建立了仿真流程，并为训练和研究提供了远场房间脉冲响应（RIR）。FFASR 在此基础上，通过一个保留的测试集、一致的归一化处理以及自动评分，将其扩展为一个标准化的评估框架。

数据已揭示的信息

随着排行榜上线，所有提交的模型都呈现出一种一致的模式：近场与远场性能之间存在巨大差距，并且随着信噪比（SNR）的降低，这一差距显著扩大。在干净的干语音上，近场词错误率（WER）与这些模型在既有基准测试上的表现相当。而低信噪比下的远场词错误率则截然不同，通常要高出数倍。该基准测试使这种性能退化变得可见且可比较，这在以前，除了专有评估流程外，是难以实现的。

平均词错误率（WER）与 RTFx 的帕累托前沿也颇具启发性。当前提交的模型体现了多种真实的方法：有以牺牲一定准确率为代价优先考虑速度的模型，有以牺牲吞吐量为代价追求准确率的模型，还有少数模型在两个维度上都达到了具有竞争力的位置。与基于干净语音的准确率相比，基于远场准确率来可视化这些权衡，会得出一个截然不同的图景，揭示出系统之间真正的差异所在。除了主排名表之外，“分析”选项卡也值得深入探索。

值得向开发者强调的一点是：该排行榜同时报告了近场（干声）和远场词错误率。这种区分是有意为之且非常实用。它使得我们能够区分出真正准确的模型与虽然准确但对声学条件脆弱的模型——这对于决定是否投入远场微调、语音增强预处理或改用完全不同的架构至关重要。

如何提交

打开 FFASR 排行榜上的“提交”选项卡，粘贴一个 Hugging Face 模型 ID，评估将在服务端针对保留数据集运行。该流水线支持 Whisper 变体、IBM Granite Speech、Cohere Transcribe、Wav2Vec2 和 HuBERT CTC 头、SpeechBrain ASR，以及 Hub 上大多数其他 ASR 架构，无需任何自定义配置。

对于使用更复杂推理栈的团队，包括将语音增强与 ASR 结合的系统，自定义评估器选项允许您定义自己的 evaluate() 函数。自定义评估器在审核员审核后在 Hub Jobs 上运行，提交说明字段是记录任何预处理步骤的好地方，以便他人能够理解评估结果。

保留评估集使用了来自 14 个房间、三个信噪比层级的 2,000 个消声语音样本，每个条件下约 8 小时音频，并统一应用了 Whisper 风格的文本归一化。音频不会向提交者公开，以避免测试集污染。

下一步计划

我们正在积极探索的未来赛道条件包括：多说话人场景（即多个说话者同时发声）、麦克风阵列评估（涵盖波束成形和空间滤波方法），以及回声消除（适用于任何同时播放音频和收听音频的设备）。

我们下一步构建什么，将取决于社区告诉我们哪里差距最大。如果您的工作涉及当前基准未能很好体现的部署环境或使用场景，我们希望听到您的意见。FFASR 排行榜旨在不断发展，其发展方向应反映真实需求。

提交你的模型，探索分析标签页，在 FFASR 论坛上发布你的想法和建议，并帮助我们构建一个对该领域正在解决的问题真正有用的基准测试。

本文提及的 Spaces 1

本文提及的 Collections 1

语音

排行榜

为开放 ASR 排行榜添加 Benchmaxxer Repellant

• +7

18

2026 年 5 月 6 日

语音

排行榜

开放 ASR 排行榜：新增多语言与长音频赛道后的趋势与洞察

27

2025 年 11 月 21 日