CNVSRC 2023 (Chinese Continuous Visual Speech Recognition Challenge 2023) 是由 NCMMSC 2023 组委会发起,由清华大学、北京邮电大学、海天瑞声、语音之家联合承办的视觉语音识别竞赛。本次竞赛的核心目的是验证当前视觉语音识别 (或称唇语识别) 技术在大词表连续识别场景下的性能。即日起,CNVSRC 2023 组织者发布全部评测集。参赛队伍可从竞赛官网下载。
视觉语音识别
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:
为推动这一研究方向的发展,清华大学联合北京邮电大学、海天瑞声和语音之家在 NCMMSC 2023 举办中文连续视觉语音识别挑战赛 (CNVSRC, Chinese Continuous Visual Speech Recognition Challenge)。本次赛事以 CN-CVS 中文视觉语音识别数据库为基础数据,评估在录音室朗读 (Reading) 和网络演讲 (Speech) 两类场景下的 LVCVSR 系统的性能。比赛结果将在 NCMMSC 2023 会议上宣布并颁奖。
赛事简介
CNVSRC 2023 共设有两个任务:
-
T1:特定说话人视觉语音识别 (Single-speaker VSR)
-
T2:多个说话人视觉语音识别 (Multi-speaker VSR)
前者侧重于针对某一特定说话人进行大量数据调优后的性能,后者侧重于系统对非特定说话人的基础性能。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 数据集及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。
CNVSRC 2023 时间安排如下:
09月20日 报名系统开放
09月20日 训练集、开发集数据发布
09月20日 基线系统发布
10月10日 测试集数据开放
11月01日 结果提交系统开放
12月01日 结果和系统技术描述提交截止
12月09日 举办 CNVSRC 2023 Workshop,竞赛结果发布
参赛方式
CNVSRC 2023 对所有个人和单位免费开放,并允许参赛者在结果展示中选择匿名。在提交结果的同时,参赛队伍需以论文形式提交系统技术报告。赛事自报名系统开放后,现已有近40余支海内外队伍注册参赛。竞赛报名将持续到11月下旬,欢迎对视觉语音识别技术感兴趣的单位和个人参与。报名可扫如下二维码,或访问竞赛官网 :
http://cnceleb.org/competition
[1] C. Chen, D. Wang, T.F. Zheng, CN-CVS: A Mandarin Audio-Visual Dataset for Large Vocabulary Continuous Visual to Speech Synthesis, ICASSP, 2023.