8月16日上午，NCMMSC-CNVSRC 2024 学术研讨会在乌鲁木齐召开的第十九届全国人机语音通讯学术会议（NCMMSC 2024）上举行。会上公布了本次视觉语音识别竞赛 CNVSRC 2024 的最终结果，并举行了颁奖仪式。

本次竞赛由 NCMMSC 2024 组委会发起，清华大学、北京邮电大学、海天瑞声和语音之家联合主办。竞赛旨在检验当前视觉语音识别（或称唇语识别）技术在中文大词表连续识别场景下的表现。

本次竞赛吸引了45支海内外队伍参赛，历经近三个月的角逐，西北工业大学、内蒙古大学、武汉大学等队伍表现突出，名列前茅。详细赛事结果及报告视频将发布在竞赛官网，敬请关注：CN-Celeb 

CNVSRC 2024 排行榜

T1 Single-speaker VSR - Fixed Track 赛道
1	T237 西北工业大学 FlySpeech
2	T244 内蒙古大学 Dream Boy
T1 Single-speaker VSR - Open Track 赛道
1	匿名提交
2	T237 西北工业大学 FlySpeech
T2 Multi-speaker VSR - Fixed Track 赛道
1	T237 西北工业大学 FlySpeech
2	匿名提交
3	T244 内蒙古大学 Dream Boy
T2 Multi-speaker VSR - Open Track 赛道
1	T237 西北工业大学 FlySpeech
2	匿名提交
3	T405 武汉大学 Sophin

本次研讨会由清华大学王东教授主持。海天瑞声CMO王潇蔓女士和语音之家创始人兼CEO卜辉先生为获奖团队颁奖。北京邮电大学刘泽华同学分享了基线系统与技术报告，三支优秀参赛队伍代表还受邀分享了他们的技术方案和赛事经验。

清华大学王东教授主持技术交流会

海天瑞声CMO王潇蔓致辞并主持颁奖

语音之家创始人兼CEO卜辉致辞并主持颁奖

北京邮电大学刘泽华同学分享基线系统与技术报告

西北工业大学、内蒙古大学、武汉大学团队代表领奖

西北工业大学团队代表技术分享

内蒙古大学团队代表线上技术分享

武汉大学团队代表线上技术分享

CNVSRC 2024 组委会成员

视觉语音识别

视觉语音识别，也称唇语识别，是一项通过口唇动作来推断发音内容的技术。该技术在公共安全、助老助残、视频验真等领域具有重要应用。当前，唇语识别的研究方兴未艾，虽然在独立词、短语等识别上取得了长足进展，但在大词表连续识别方面仍面临巨大挑战。特别是对于中文而言，由于缺乏相应的数据资源，该领域的研究进展受到了限制。为此，清华大学在2023年发布了 CN-CVS 数据集[1]，成为首个大规模的中文视觉语音识别数据库，为进一步推动大词表连续视觉语音识别 (LVCVSR) 提供了可能，并于同年举办了 CNVSRC 2023 竞赛[2]，推动了唇语识别在中文领域的进展。

为了进一步推动这一研究方向，清华大学联合北京邮电大学、海天瑞声和语音之家在 NCMMSC 2024 继续举办了中文连续视觉语音识别挑战赛 (Chinese Continuous Visual Speech Recognition Challenge 2024, CNVSRC 2024)。本次竞赛中，许多参赛队伍在唇语识别任务上实现了系统性能的显著提升，其中最佳成绩相较于基线系统提升了超过30%。此外，与 CNVSRC 2023 相比，2024年各赛道的成绩均有明显进步。各支参赛队伍提出了诸多创新方案，为中文大词表连续视觉语音识别研究提供了新的思路和方法。

[1]  C. Chen, D. Wang, T.F. Zheng, CN-CVS: A Mandarin Audio-Visual Dataset for Large Vocabulary Continuous Visual to Speech Synthesis, ICASSP, 2023.

[2] C. Chen, Z. Liu, X. Li, L. Li, D. Wang, CNVSRC 2023: The First Chinese Continuous Visual Speech Recognition Challenge, INTERSPEECH, 2024.