北京希尔贝壳科技有限公司-挑战赛-CNVSRC 2025

第三届视觉语音识别挑战赛

CNVSRC 2025

Chinese Continuous Visual Speech Recognition Challenge

由 NCMMSC 2025 组委会发起，清华大学、北京邮电大学、海天瑞声、语音之家共同主办的第三届中文连续视觉语音识别挑战赛 CNVSRC 2025 即日启动，诚邀参与报名。

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。关于 CN-CVS 数据集的更多信息，可访问数据库官网 http://cnceleb.org 。

为了进一步推动这一研究方向的发展。清华大学语音与语言技术中心（CSLT）联合北京邮电大学、北京海天瑞声科技股份有限公司以及语音之家，于2023年启动了首届中文连续视觉语音识别挑战赛（CNVSRC 2023）[2]，并于次年继续举办了CNVSRC 2024 [3]。参赛者们贡献了许多新的思路和技术,极大地推进了这一方向在中文领域的发展。

而本次赛事CNVSRC 2025 延续了对视觉信息处理的研究焦点，并将作为 NCMMSC 2025 会议的一项特别活动。与CNVSRC 2023和CNVSRC 2024相比，CNVSRC 2025具有两个重要变化：（1）引入了一个新的视觉到语音（VTS）赛道；（2）为了支持大规模模型，额外发布1000小时的训练数据。组织方为参赛者提供了基线代码以供参考。CNVSRC 2025的竞赛结果将在NCMMSC 2025会议上公布并颁奖。

任务设置

CNVSRC 2025 共设有两个任务：

T1：多个说话人视觉语音识别 (Multi-speaker VSR)
T2: 特定说话人视觉语音合成 (Single-speaker VTS)

前者 (T1) 更侧重于多说话人场景下内容识别的准确性，而后者 (T2) 则强调在单说话人条件下，对内容和说话人音色特征的恢复。每个任务根据训练数据不同，又分为固定赛道 (Fixed Track) 和开放赛道 (Open Track)。

固定赛道仅允许使用CN-CVS, CNVSRC(CNVSRC包括CNVSRC.Single.Dev和 CNVSRC.Multi.Dev ), CN-CVS2-P1, CN-CVS3数据集即各任务发布的开发集作为训练集，旨在验证算法的先进性。开放赛道则可以使用任何数据进行训练，旨在验证当前技术能够达到的性能上限。清华大学提供固定赛道上的基线系统代码，供参赛者作为参考。

CNVSRC 2025 Website

http://cnceleb.org/competition

参赛方式

CNVSRC 2025 对任何个人和机构开放。目前，竞赛官网已经启动并接受报名。关于竞赛规则、时间节点等更多信息，可在浏览器中访问网址： http://cnceleb.org/competition。

赛程安排

2025/07/04 注册启动

2025/07/04 数据发布

2025/07/04 基线系统发布

2025/08/01 提交系统打开

2025/10/10 结果提交截止日期

2025/10/16-19 NCMMSC 2025研讨会

组委会

· DONG WANG, Center for Speech and Language Technologies, Tsinghua University, China
· LANTIAN LI, Beijing University of Posts and Telecommunications, China 
· ZEHUA LIU, Beijing University of Posts and Telecommunications, China
· XIAOLOU LI, Beijing University of Posts and Telecommunications, China
· KE LI, Beijing Haitian Ruisheng Science Technology Ltd., China
· HUI BU, Beijing AIShell Technology Co. Ltd., China