会议 ASR 的下一站：让大模型自己学会听懂会议

如果一个会议转写系统足够理想，用户体验应该非常简单：把一段原始会议录音丢进去，系统直接产出一份可靠的会议文本。不要求用户懂设备、懂前端、懂降噪，也不会在多人插话时把几个人的话揉成一团。

但真实会议不会配合这个假设。

有人坐在设备旁边，声音很清楚；有人坐在会议桌另一头，声音变小，还带着房间反射；有人习惯低声补充一句；空调、键盘、翻纸、投影风扇一直在响；讨论中还经常夹着英文缩写、项目代号、模型名、数据集名和临时造出来的术语。更麻烦的是，人不会排队说话——真实会议里有插话、有附和、有打断、有笑声，也有两个人同时说出半句话。

会议 ASR 要处理的不是一句干净语音，而是一段混乱但有结构的现场。

问题由此而来：能不能不再主要依赖越来越复杂的外部前端，而是让一个 ASR 大模型直接适应各种复杂会议场景？这里说的“不靠前端”，不是说模型可以无视声学问题，也不是否定传统语音增强、分离、说话人分割等模块的价值。大模型路线的吸引力在于：把远场、混响、噪声、重叠说话、口语化、专业术语和说话人归属这些能力，尽可能训练成模型自己的内生能力。

真实会议为什么难

距离让声音能量变弱，房间反射让语音边界变糊，背景噪声掩盖短词和辅音，设备差异会改变音色和频响，多人插话破坏单说话人假设，长会议带来跨段一致性问题。更现实的是，这些因素通常不是单独出现，而是一起出现。

举个例子，一个技术会议里可能会出现这样的句子：”我们看一下 Qwen-Audio-3.0-ASR 的识别结果，重点看讨论 Claude Code、 Codex 这些 Agent 那几段里面的 overlap，还有中文夹英文的实体词效果。”

这句话对 ASR 的要求并不低。模型既要识别中文、英文、数字和缩写混合，又要知道 Qwen-Audio-3.0-ASR、Claude Code、Codex 不是普通词，还要保持同一个术语在整场会议里写法一致。如果音频里同时有键盘声、笑声或插话，错误就会被进一步放大。

会议转写最怕的也不只是错一个字。一个项目名听错，后面的摘要、行动项提取、检索和问答都会被带偏；一句话归错人，会议记录的可信度会明显下降；模型在听不清时“补”出一段流畅但不存在的话，更会让后续大模型总结建立在错误事实之上。‍

从 pipeline 到模型内生能力

过去的会议转写系统常常依赖一条很长的 pipeline：先判断哪里有人说话，再做音频处理和片段切分，再做说话人分割，最后把片段送给 ASR。这个系统工程当然有效，也长期支撑了会议转写的发展。

但它的代价也很明显：每多一个模块，就多一层误差传播；每换一个会议室、录音设备、语言风格和说话习惯，都可能出现新的不匹配。在长音频、多说话人、强上下文的会议场景里，前面某个模块切错、分错、归错，后面的 ASR 和摘要模型只能在错误输入上继续加工。

大模型路线提供了另一种可能：让一个 ASR foundation model 在训练中见过足够多复杂声学和多人会议数据，直接从原始会议音频中生成结构化转写。

这并不意味着完全抛弃辅助信息。它真正强调的是：会议 ASR 的核心能力应该长在模型里。听不清时不乱编，多人说话时不乱拼，远处说话时不乱漏，长会议里不乱改术语。这些能力如果只依赖外部模块兜底，系统就很难成为一个通用、稳定、可迁移的会议智能入口。

‍ASR 大模型需要学会什么

第一，声学鲁棒性。会议音频里同时存在距离、混响、噪声、设备失真和音量差异。模型训练不能只依赖干净朗读语音，而要系统覆盖这些变化。否则模型在干净 benchmark 上看起来很好，一到真实会议就开始漏词、错词，甚至产生幻觉。

第二，多说话人结构。会议不是单人独白。模型需要理解 turn-taking、插话、抢话、短反馈和重叠说话。它最好能直接输出 speaker change、时间戳和重叠片段，而不是只给一串没有归属的文本，再让后处理去猜。

第三，长上下文理解。会议里很多词只有结合上下文才听得准。项目名、缩写、函数名、人名、数据集名，经常不是靠当前几秒声学信息就能完全确定。大模型的优势正在这里：利用更长的上下文，让前后术语保持一致，让同一个结论在后续引用中不被改写。

第四，克制。ASR 大模型越像生成模型，越要避免在听不清时自由发挥。会议转写不是创作任务。可靠性比流畅度更重要。一个成熟的系统应该能表达不确定，保留时间锚点，并把低置信度位置交给后续校对或人审，而不是编出一段看似顺滑的错误文本。

研究趋势：从通用 ASR 到会议 ASR 大模型

大规模、多语言、多任务弱监督训练，已经让 ASR 模型具备了很强的跨域泛化能力，这改变了很多人的预期：ASR 不一定只能在每个数据集上专门调一个系统，足够大的 Speech Foundation Model 可以成为通用起点。

但会议场景会进一步挑战这个范式。多人重叠、远场混响、长音频漂移、说话人归属，都不是普通短句 ASR 的核心训练目标。因此，后续研究开始围绕 Speech Foundation Model 做会议化改造。方向大致有三：

一是多说话人输出。Serialized Output Training 让模型学习在同一段音频里按顺序输出多个人的话，并显式建模 speaker change。思路很直接：既然会议里天然会多人轮转，那训练目标就不应该假装音频里只有一个说话人。

二是说话人条件注入。DiCoW 和 SE-DiCoW 这类方向把 diarization 信息或目标说话人片段作为条件注入 ASR，让模型在重叠语音中知道“这次应该听谁”。虽然这还不是完全无辅助的最终形态，但它透露出一个趋势：说话人归属不应该只是 ASR 后面的补丁，而应该进入模型内部。

三是统一生成。TagSpeech 直接把 ASR 和 diarization 合成一个任务，建模 “who spoke what and when”，让模型同时输出文本、说话人和时间锚点。这更贴合会议转写的产品逻辑：用户最终要的不是一串没有归属的文字，而是一份可追溯的会议记录。

同时，Qwen-Audio-3.0-ASR 这类工作说明，ASR 正在进入更大的音频 Foundation Model 阶段。模型不只追求干净语音 WER，而是开始强调真实场景、长音频、噪声、方言、多语言、实体词和上下文理解。

这给会议 ASR 一个很重要的启发：想让模型不靠复杂外部前端适应会议室，关键不是简单把模型做大，而是让模型见过足够多真实世界的坏音频。

输出也要升级：从一段文字到一份结构化记录

如果会议 ASR 只输出一整段纯文本，它离真实产品需求还差一步。

会议记录真正需要的是结构化结果：谁说了什么，什么时候说，是否存在重叠，哪些位置置信度较低，哪些词可能是领域术语。这样的输出才能继续支撑会议摘要、行动项提取、责任人识别、知识库沉淀和后续问答。

理想输出不应该只是这样：“这版先不要加到主训练集对先单独看 overlap case 等错误类型稳定之后再合进去”

而应该更接近这样：

[00:03:21.4 - 00:03:23.8] Speaker A: 这版先不要加到主训练集。
[00:03:23.0 - 00:03:24.4] Speaker B: 对，先单独看 overlap case。
[00:03:24.2 - 00:03:27.1] Speaker A: 等错误类型稳定之后再合进去。

这种输出把 ASR、说话人归属和时间结构放在一起，才更接近会议智能体真正需要的输入。

为什么这不是“前端无用论”

需要再强调一次：本文并不是否定传统前端。

语音增强、分离、说话人分割、VAD、时间对齐等技术在今天仍然有效，也仍会出现在很多强系统里。真正的问题是产品边界和模型能力边界正在变化。过去我们默认复杂会议必须拆给多个模块；现在大模型给了另一种可能：把更多复杂性吸收到统一训练目标中，让模型直接面对原始会议音频，减少场景化调参和模块间误差传递。

从产品角度看，这件事尤其重要。会议智能体的上层能力，比如摘要、待办、问答、检索、决策追踪，都依赖 ASR 提供第一层事实。如果 ASR 把关键术语听错，或者把一句话归错人，后面的总结再流畅，也可能建立在错误地基上。

所以，会议 ASR 的下一站不是简单追求更低的短句 WER，而是让模型真正听懂会议。一个理想的系统应该像训练充分的会议听写员：不要求环境足够干净，不要求用户懂前端参数，而是直接从真实录音中提取内容、说话人和时间结构。

结语

真实会议不会为 ASR 让路，人会插话，会低声补充，会临时造词，会中文夹英文，会在键盘声和空调声里讨论关键决定。一个面向未来的会议 ASR 大模型，应该把这些复杂性变成自己的训练经验，而不是把它们全部交给外部系统兜底。

当模型能够直接从原始会议录音中输出“谁在什么时候说了什么”，并且在噪声、重叠、长上下文和专业术语中保持克制与一致，会议智能才真正有了可靠的语音入口。