赛事开启｜第三届视觉语音识别挑战赛 CNVSRC 2025 启动

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 正式启动，诚邀参与报名。

数据库官网：https://cnceleb.org/competition

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。

01｜任务设置-Tasks

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。

02｜参赛方式-Registration

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，可扫描下方二维码进入竞赛官网，或在浏览器中访问网址 http://cnceleb.org/competition。

[1] Chen C, Wang D, Zheng T F. CN-CVS: A mandarin audio-visual dataset for large vocabulary continuous visual to speech synthesis[C]//ICASSP 2023-2023 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP). IEEE, 2023: 1-5.

[2] Chen C, Liu Z, Li X, et al. CNVSRC 2023: The First Chinese Continuous Visual Speech Recognition Challenge[C]//Proc. Interspeech 2024. 2024: 1930-1934.

[3] Liu Z, Li X, Chen C, et al. CNVSRC 2024: The Second Chinese Continuous Visual Speech Recognition Challenge[J]. arXiv preprint arXiv:2506.02010, 2025.