Interspeech 2026 第二届音频编码器能力挑战赛正式启动

国际语音顶级会议 Interspeech 2026 将于2026年9月在澳大利亚悉尼举行。由小米、萨里大学、清华大学、海天瑞声联合发起的第二届 Audio Encoder Capability Challenge（AECC）音频编码器能力挑战赛将同步亮相 Interspeech 2026，目前已正式开放报名。

 

 

当前，音频大语言模型（LALMs）发展迅速，但大多数主流模型在音频前端编码器上选择非常单一，几乎均基于 OpenAI Whisper Encoder。这种对单一技术的依赖不利于模型架构的多样化探索，也限制了 LALMs 整体能力的进一步提升。为应对音频理解能力不断增长的需求，本次挑战赛将聚焦于音频编码器这一核心模块，重点评估其在复杂真实场景下的理解与特征表示能力。

 

评测方法

 

本次挑战赛采用统一的端到端训练和评估框架。参赛者只需提交预训练的编码器模型，下游任务的训练和评估由主办方完成。主办方提供了开源的评估系统 XARES-LLM。该系统基于用户提供的音频编码器自动训练一个典型的 LALM。该系统会自动下载训练数据，训练模型，然后测试各种下游任务，并为每个任务提供分数，如下图所示。

 

 

参赛者并不需要自己运行 XARES-LLM，而只需把音频编码器按照一个简单的接口说明和示例封装，通过邮件发送给主办方即可，大模型的训练和评估由主办方完成。当然，由于 XARES-LLM 是开源的，且只需 GTX4090 即可完成训练和评估，参赛者也可以自行使用该系统训练大模型、评估待提交的编码器的性能，并和主办方提供的基线系统比较。

 

训练数据

 

和大多数比赛不同，本挑战赛不仅重视模型设计和训练，也同样重视数据的收集和利用。主办方不规定具体的训练数据集。参赛者使用的训练数据必须是公开可访问的，不得使用私有保密数据。参赛的模型既可以基于任何开源的预训练模型参数，也可以从头训练。

 

同时，海天瑞声公司为比赛提供了一个补充数据集，供参赛者免费使用。该数据集从八个商用数据集（King-ASR-457、King-ASR-958 等）提取构建而成。其内容涵盖了丰富的日常环境噪声，具体包括书店、健身房、地铁、餐厅等多种室内外场景的背景噪声，以及家庭环境下的不同距离背景噪声。此外，数据集还收录了水流、脚步声、户外窗边等特定非语音干扰声，以及地铁车厢在不同时段的运行噪声。啸叫类数据则包含了通话、游戏和直播场景下的纯净啸叫声。车辆相关环境噪声也是其重要组成部分，如机械噪声、空调运行声和开窗风噪，还有咖啡馆、医院、市场、步行街等生活场景的实录环境声。

 

报名参赛者可以免费访问该数据集，细节详见 :

https://dataoceanai.github.io/Interspeech2026-Audio-Encoder-Challenge/King_NonSpeech-Dataset_en_20h.html

 

 

报名和提交方法

 

报名阶段请于 2026 年 1 月 25 日11:59 PM AoE前 完成赛事报名信息填写。了解详情可移步至海天瑞声公众号。

 

模型准备与自检参赛者需封装自己的音频编码器，并使用主办方提供的检测工具完成编码器合规性检查，确保模型接口与功能符合赛事要求。

 

模型提交请于 2026 年 2 月 12 日11:59 PM AoE 前，将编码器代码及模型文件统一打包为 ZIP 文件，并通过邮件方式提交至主办方指定邮箱。

 

技术报告提交请于 2026 年 2 月 25 日 11:59 PM AoE前，把技术报告 PDF 文件邮件发送给主办方。技术报告可以同时在 Interspeech 官方提交系统作为会议论文投稿。

 

联系方式

 

主办方邮箱：2026interspeech-aecc@dataoceanai.com

挑战赛官网：https://dataoceanai.github.io/Interspeech2026-Audio-Encoder-Challenge/