首届具身听觉与推理挑战赛（EAR-1）已正式入选 ICASSP 2027 Signal Processing Grand Challenge，并于 2026 年 9 月 1 日开放报名。大赛由中国科学技术大学、希尔贝壳（AISHELL）、苏州大学、安徽大学、深度机智、思必驰、布尔诺理工大学、科大讯飞、意大利巴勒莫大学、北京科技大学共同组织。

EAR-1 通过同一场真实多人对话的固定阵列与移动阵列同步录音，聚焦一个基础问题：当导航被正确执行时，移动本身究竟能为多人语音感知带来多少价值？

在一场真实的多人对话中，声音从来不是“规规矩矩”地来到麦克风面前。

有人坐得远，有人同时开口；房间里有混响，也有背景噪声。传统会议语音系统通常从一个固定位置聆听整场对话，一旦声源距离、方向或说话人发生变化，它所获得的声学观察便可能迅速恶化。

但如果听觉设备可以移动呢？

机器人可以转向正在说话的人，智能眼镜和可穿戴设备可以随着使用者改变位置，移动终端也可能主动接近更有信息量的声源。与其始终在同一个位置“努力听清”，未来的智能设备或许能够先找到一个更好的聆听位置。

这正是首届具身听觉与推理挑战赛——The First Embodied Audition and Reasoning Challenge（EAR-1）——希望回答的问题。EAR-1 已正式入选 ICASSP 2027 Signal Processing Grand Challenge，以“Embodied Speech Perception under Oracle Navigation in Multi-Party Conversations”为主题，面向全球信号处理、语音技术、机器人听觉、空间音频、可穿戴智能与具身人工智能研究者开放报名。


⏩如果导航被正确执行，移动本身能在多大程度上改善多人语音感知？

一场对话，两种声学视角

在完整的具身系统中，声音定位、路径规划、运动控制和语音感知往往相互耦合。最终识别失败，可能来自定位错误，也可能来自路径选择、设备运动或语音模型本身。若把这些因素全部混在一起，我们很难判断：改变聆听位置这件事本身，究竟有没有价值？

为此，EAR-1 采用了一套配对录音范式：在同一场真实多人对话中，固定麦克风与移动麦克风同步采集音频。

  • 固定麦克风始终停留在参考位置；
  • 移动麦克风由不参与对话的人员携带，并按照预定义的导航策略移动；
  • 两种录音条件对应相同的说话人、语音重叠、房间环境和对话内容；
  • 评测集与训练、开发数据在房间和说话人层面互不重叠，用于考察系统在新环境和新说话人上的泛化能力。

图 1｜EAR-1 固定阵列与移动阵列同步配对录音范式

这种设计让固定与移动条件形成可控对照，使研究者能够在同一段对话上直接分析声学视角变化带来的影响。

这里的“Oracle Navigation”并不意味着参赛系统可以获得额外的“标准答案”。它仅表示导航策略在数据采集阶段由人工代理正确执行，从而暂时排除定位、规划和运动执行误差。参赛系统获得的仍然只有官方发布的多通道音频与相应任务信息，不会获得移动轨迹、设备位姿、视频、惯性传感器数据或组织方内部标注。


⏩导航已被控制，语音感知仍是挑战。

真实对话数据，支持多种研究探索

EAR-1 首批开放的训练与开发数据涵盖 63 场真实多人对话，其中训练集 55 场、开发集 7 场，分别包含 27 位和 20 位参与者，两组说话人互不重合。

除了同步采集的固定与移动麦克风录音，训练与开发数据还提供辅助麦克风录音、参与者耳麦录音、固定视角视频，以及时间对齐的语音转写标注，为说话人日志、语音识别、语音增强与分离等研究提供丰富的数据支持。

两项任务，四个独立榜单

EAR-1 设置两项核心任务。每项任务均包含 Fixed-Array Track 和 Moving-Array Track，分别对固定阵列与移动阵列录音进行评测，共形成四个独立榜单。

🏁 任务一：具身说话人日志与理想导航（ESD-ON）

Embodied Speaker Diarization with Oracle Navigation（ESD-ON）关注多人对话中的“谁在什么时候说话”。参赛系统需要为连续多通道录音分配一致的说话人标签，并正确处理多人同时说话的重叠区域。赛题将提供理想语音活动检测（oracle VAD）区间，但不会告知活跃说话人的身份。官方评价指标为说话人日志错误率（DER），不设置容错边界，并计入重叠语音。

🏁 任务二：具身语音识别与理想导航（ESR-ON）

Embodied Speech Recognition with Oracle Navigation（ESR-ON）面向连续、未切分的多人语音识别。系统需要从多通道音频中联合完成语音活动检测、说话人归属和语音识别，最终生成带有说话人信息的转写结果。官方评价指标为连接最小排列词错误率（cpWER）。

固定与移动条件采用相同的任务协议并分别排名。这既是一场系统性能竞赛，也是一项受控的科学比较：移动是否带来收益、收益出现在哪里、运动噪声与时变声学条件又会造成哪些新困难，都可以在统一基准下被观察和讨论。

为什么值得关注？

EAR-1 面向的不只是当前的多人会议转写，也指向下一代具身智能设备的听觉能力。对于机器人、智能眼镜、可穿戴助手和移动听觉终端而言，感知不一定只能被动发生。设备的位置与朝向本身，就可能成为感知系统的一部分。

EAR-1 首先将“如何移动”与“如何听懂”拆开，建立一个可重复、可比较的研究起点；未来，挑战还可以进一步走向感知、推理与主动导航的联合学习。

参赛团队将获得开发所需的官方数据、任务格式、评分脚本、评测配置和可复现基线。公开数据集与预训练模型可以使用，但必须可公开获取、规范引用，并在系统说明报告中完整披露；评测数据发布后不得再引入新的外部资源。

重要时间节点

以下截止时间均以 Anywhere on Earth（AoE）为准。

谁可以参加？

我们诚邀来自以下方向的高校、科研机构与产业团队参与：

  • 说话人日志与说话人识别
  • 自动语音识别与多人会议转写
  • 多通道语音增强与语音分离
  • 远场语音与空间音频
  • 机器人听觉与可穿戴听觉
  • 具身人工智能与多模态感知

团队可以选择参加一个或多个榜单。最终提交需包含符合官方格式的系统输出，以及说明模型架构、训练过程、外部资源和解码配置的系统报告。

立即报名


从固定位置聆听世界，是传统语音系统的起点；

主动寻找更好的声学视角，或许是具身听觉迈出的下一步。

期待与你在 EAR-1 相遇，共同探索移动为语音感知带来的可能。