2026年，西北工业大学等机构的研究团队在 ICASSP 2026 发表了 WenetSpeech-Chuan，发布约10000小时川渝方言语音数据，并建立了相应的自动语音识别（ASR）评测基准。

这项研究有一个值得注意的发现：同样一套语音识别模型，在相对规整的朗读音频中表现尚可，但面对短视频、自然对话、影视语音等复杂场景时，字符错误率可能明显上升。

例如，SenseVoice-small 在 WenetSpeech-Chuan 的 Easy 测试集上，CER 为17.43%；而在 Hard 测试集上，错误率达到28.38%。

这个差距揭示了一个长期存在的问题：

通用 ASR 模型即使能够识别四川话，也不代表它已经适应真实生活中的川渝方言交流。

而随着语音技术逐渐进入医院问诊、智能机器人、无人零售、客服中心等场景，这种差异不再只是模型评测中的几个百分点，而可能直接影响业务系统能否准确理解用户。

一、10000小时川渝方言语料，为什么值得关注？

川渝地区大部分常见地方话属于西南官话，与普通话具有较近的语言关系。

但实际交流中，四川话、重庆话不仅包含地方发音，也包含大量具有地域特色的词汇、句式和语气表达。

例如：

这个事情要得，你帮我看一哈。

我昨天都打过电话了，咋个还没处理嘛？

那个东西莫得了，你看还有没得其他的？

这些话对于熟悉川渝方言的人来说并不难理解，但对主要使用标准普通话语料训练的 ASR 模型而言，却可能涉及两个不同的问题。

一是模型能否正确识别地方发音，二是解码器能否保留“要得”“咋个”“莫得”等原始表达，而不是将其替换成音近词或者直接转换成普通话。

过去，许多方言语音研究受到数据规模限制。开发者虽然能够找到部分四川话录音，但要获得足够规模、带有文本标注和语音质量信息的训练语料并不容易。

WenetSpeech-Chuan 改变了这一局面。

该项目提供约10000小时川渝方言语音，覆盖短视频、娱乐节目、直播、纪录片、有声读物、影视剧、访谈和新闻等多个内容领域。

除了音频及转写文本，数据还包含多种辅助信息：

数据字段	技术用途
Text Confidence	评估自动转写文本的可靠程度
Speaker ID	区分不同说话人，辅助数据集划分
SNR	衡量语音与背景噪声的相对强度
DNSMOS	评估语音质量
Age / Gender	分析说话人群体差异
Timestamp	建立音频与文本的位置对应关系

这些信息并不是附属装饰。

对于方言模型训练来说，数据质量、说话人分布、声学环境与文本规范，都可能影响最终识别效果。

例如，医院问诊系统需要适应老年患者的自然发音，客服系统需要处理电话线路音频，而机器人则可能面对远场拾音和设备噪声。

如果训练数据只包含安静环境中的朗读语音，即使数据规模很大，也未必能够充分覆盖上述场景。

二、模型测试结果：为什么自然对话比朗读更难？

WenetSpeech-Chuan 研究团队建立了 WSC-Eval-ASR 评测集，并按照音频来源和声学环境分成 Easy、Hard 两部分。

其中 Easy 主要包含有声读物、朗读等相对规整的语音，总时长8.55小时；Hard 则包含短视频、娱乐节目、影视剧等更复杂的内容，总时长1.15小时。

两部分合计约9.7小时。

以下是官方公布的部分 ASR 测试结果：

模型	Easy CER	Hard CER
SenseVoice-small	17.43%	28.38%
Paraformer	14.34%	24.61%
FireRedASR-AED	13.29%	23.64%
Qwen2.5-Omni	16.94%	26.01%
Paraformer-WSC-Finetune	12.15%	22.60%
Qwen2.5-Omni-WSC-Finetune	14.36%	24.14%

数据来源：WenetSpeech-Chuan 官方 ASR Leaderboard。CER 即字符错误率，数值越低表示识别错误越少。

从表中可以看出几个比较明确的现象。

首先，不同模型在 Hard 测试集上的错误率普遍明显高于 Easy。

以 SenseVoice-small 为例，CER 从17.43%上升至28.38%，相对增幅约62.8%。

其次，经过 WenetSpeech-Chuan 数据微调的模型，在相同测试集上表现出了改善。

例如 Paraformer 在 Easy 测试集上的 CER 从14.34%降低至12.15%，Hard 测试集则从24.61%降低至22.60%。

Qwen2.5-Omni 的对应结果也出现改善。

这些数字说明，针对川渝方言进行专项训练，即使不简单依靠增加模型规模，也有机会提高目标场景的识别能力。

不过，不能把 Easy 与 Hard 的差异全部归因于噪声。两组数据还存在语音内容、表达方式、说话人和录音来源等差异。

对于实际应用来说，这恰好是最值得关注的地方。

真实世界里的语音很少像测试录音那样规整。

患者描述症状时可能反复停顿，客户投诉时可能语速加快，机器人面对的语音可能夹杂环境声音，而无人零售设备还需要处理短促、不完整的口语指令。

所以，方言 ASR 的实际难点并不只是能否听懂某几个地方词汇，而是如何在复杂输入下持续保持稳定识别。

三、从自动标注到 LLM-GER：如何提高方言训练数据质量？

WenetSpeech-Chuan 并不是简单地收集10000小时音频，然后全部交给一个模型进行训练。

研究团队还设计了 Chuan-Pipeline，用于完成大规模方言语料的处理和标注。

其核心流程包括音频收集、说话人属性分析、语音质量分析、自动转写、文本后处理和多模型结果融合。

整体流程可以概括为：

川渝方言原始音频
        ↓
    音频切分与清洗
        ↓
  说话人及音频质量分析
        ↓
  多模型自动语音识别
        │
  ┌─────┼─────┐
  ↓     ↓     ↓
SenseVoice TeleASR FireRed-ASR
  │     │     │
  └─────┼─────┘
        ↓
    LLM-GER 纠错
        ↓
  转写一致性与置信度评估
        ↓
    训练语料筛选
        ↓
    川渝方言专项微调

其中比较值得研究的是 LLM-GER（LLM Generative Error Correction）。

传统 ROVER 方法通常通过对多个 ASR 模型的输出进行对齐和投票，减少单个模型的识别错误。

但在方言场景中，几个模型可能对同一个地方词汇输出完全不同的文字。

例如原始语音是：

这个设备莫得反应了。

三个模型可能产生不同的候选：

ASR A：这个设备没得反应了。
ASR B：这个设备没有反应了。
ASR C：这个设备莫得反应了。

这组候选是用于解释算法的模拟示例。

如果目标是保留川渝方言原文，第三种转写方式可能更加符合标注规范；如果目标是生成普通话文本，则第二种表达也能够保留基本语义。

因此，文本纠错需要先明确输出目标，不能单纯追求句子通顺。

WenetSpeech-Chuan 使用多套 ASR 模型生成识别候选，再利用 Qwen3 进行生成式纠错，并结合候选结果计算文本置信度。

对于方言专项训练，这种方法有一个重要作用：在人工标注资源有限的情况下，利用多个模型生成更可靠的候选文本，再通过质量筛选降低错误标签对训练的影响。

当然，语言模型并不能直接替代音频证据。

如果几个 ASR 模型都漏掉了“莫得”这样的否定表达，后续 LLM 仍然可能生成错误文本。

因此，涉及否定词、数字、金额和关键实体的音频，仍然值得在训练和评测中进行重点检查。

四、医院问诊：患者讲四川话，电子病历应该怎么记录？

方言 ASR 的实际价值，在医院和基层医疗场景中比较容易理解。

假设一位老年患者来到社区卫生服务中心，医生询问最近身体有什么不舒服。

患者回答：

这几天老是觉得心口闷得很，晚上睡觉有点喘，但是没得胸痛。

对于医生而言，这段表达并不难理解。

但如果使用语音系统辅助记录病历，处理过程就不只是把音频转成文字。

首先，ASR 需要准确保留原始描述，尤其是“没得胸痛”中的否定信息。

其次，系统需要区分医生提问和患者陈述，避免把医生询问的症状错误记录成患者已经存在的症状。

最后，医学文本处理模块才能进一步提取主诉、症状和相关病程信息。

一种可行的架构是：

诊室麦克风
    ↓
VAD / 音频预处理
    ↓
川渝方言 ASR
    ↓
医患角色区分
    ↓
原始转写文本
    ↓
医学术语规范化
    ↓
临床信息结构化
    ↓
医生审核
    ↓
电子病历系统

结构化输出可以采用以下形式：

{
  "speaker": "patient",
  "original_text": "这几天老是觉得心口闷得很，晚上睡觉有点喘，但是没得胸痛",
  "normalized_text": "患者自述近日胸部憋闷，夜间出现气喘感，否认胸痛",
  "clinical_information": {
    "symptoms": ["胸部憋闷", "夜间气喘感"],
    "negative_symptoms": ["胸痛"],
    "duration": "近日"
  },
  "requires_review": true
}

其中，ASR 负责保留语音内容，医学信息提取和病历规范化则由上层系统处理。

对于可能影响临床判断的表达，还应保留原始音频和对应文本，供医生审核确认。

这类应用还有一个实际的部署问题：医患交流包含敏感健康信息。

因此，医疗机构可以根据现有信息系统架构，选择医院内网集中推理或者诊室工作站端侧离线识别，使音频处理在受控环境内完成。

但离线部署并不代替权限管理、数据加密和审计要求。

五、智能机器人：川渝方言不能只停留在“听懂文字”

对于服务机器人、配送机器人和工业辅助机器人，语音识别通常只是整套交互系统的第一步。

例如，在一个仓储环境中，工作人员向机器人下达指令：

你先把三号货架那个箱子搬过来，等一哈，先莫动。

这句话包含动作目标、设备对象以及后续的否定指令。

如果 ASR 只识别了前半句，却漏掉“先莫动”，那么后续控制系统就可能错误理解用户的实际意图。

因此，机器人语音交互不应该简单设计成：

ASR → 立即执行动作

更合理的方式是：

麦克风阵列
    ↓
降噪 / VAD
    ↓
川渝方言 ASR
    ↓
意图识别与参数提取
    ↓
业务状态检查
    ↓
指令确认与安全校验
    ↓
机器人执行

在这套系统中，ASR 需要处理自然方言、口语停顿和临时修正；意图识别模块负责理解用户究竟要求机器人做什么。

对于涉及移动、搬运或机械动作的指令，还需要独立的安全控制逻辑，不能因为语音识别结果看起来通顺就直接执行。

从硬件角度看，这类设备也经常需要考虑网络条件。

例如仓库、生产车间或者部分移动终端可能存在网络覆盖不稳定的情况。将川渝方言 ASR 部署在端侧，可以减少语音指令对公网接口的依赖。

但端侧模型还需要平衡实时性、内存占用和推理算力。

因此，机器人厂商更需要的是能够嵌入原有系统的语音识别模块，而不只是一个独立录音转写软件。

六、无人超市：语音识别能不能解决自助购物中的交互障碍？

无人零售也是一个值得关注的场景。

目前，许多自助收银终端主要依靠触摸屏、扫码和图形界面完成操作。但在实际使用中，部分用户可能不熟悉界面流程，或者临时遇到优惠券、商品识别和付款问题。

如果终端增加语音交互能力，用户便可以直接提出问题。

例如：

这个优惠券咋个用嘛？

我扫了码，咋个还没得扣钱？

那个酸奶放在哪个位置？

这些表达都带有明显的川渝地区口语特点。

此时，系统需要完成的不是简单的语音转写，而是：

用户语音
    ↓
本地 ASR
    ↓
意图识别
    ↓
业务系统查询
    ↓
执行操作或返回帮助信息

例如，“这个优惠券咋个用嘛”需要被映射到优惠券使用说明，而“我扫了码，咋个还没得扣钱”则可能涉及支付状态查询。

两句话看起来都是普通咨询，但对应的业务接口完全不同。

更重要的是，ASR 需要保留“还没得扣钱”这一否定状态。

如果识别错误，系统可能把“尚未付款”理解成“已经付款”，进而返回错误的操作提示。

对于无人零售设备，语音能力还可能需要运行在资源有限的终端上。

因此，一种可行方案是将轻量化 ASR、简单意图识别和本地提示能力部署在设备端，而将库存、订单、支付状态等业务查询交给原有系统。

涉及实际支付和订单修改时，仍然需要通过屏幕或其他可靠机制让用户确认。

这样既能够提供更符合本地语言习惯的交互方式，也不必重新设计整套无人零售系统。

七、人工客服：ASR 不一定替代客服，也可以成为客服的辅助工具

相较于完全自动化的语音机器人，人工客服其实也是川渝方言 ASR 很有价值的应用方向。

例如，一位客户拨打服务热线：

我上个礼拜就反映过这个事情了，咋个到现在都还没得处理嘛？

人工客服通常能够根据上下文理解客户的意思，但要进一步生成工单，还需要记录投诉事项、发生时间、当前处理状态以及客户诉求。

如果系统能够实时识别通话内容，就可以在客服工作台中显示转写文本，并通过后续的大模型分析辅助整理工单。

业务流程可以设计为：

客服通话录音
      ↓
川渝方言 ASR
      ↓
客服 / 客户角色区分
      ↓
结构化通话文本
      ↓
诉求提取与工单建议
      ↓
人工客服审核
      ↓
CRM / 工单系统

例如，系统可以从前面的通话中提取：

{
  "intent": "投诉处理进度查询",
  "complaint_type": "重复投诉",
  "customer_statement": "上周已经反馈问题，目前仍未处理",
  "required_action": "查询历史工单及处理状态",
  "evidence_text": "我上个礼拜就反映过这个事情了，咋个到现在都还没得处理嘛"
}

对于客服来说，这种能力主要用于减少重复记录工作，而不是代替人工完成所有业务判断。

后续还可以增加服务质检、关键词检索和投诉分类等功能。

但整个流程的基础仍然是 ASR。

如果模型连客户的原始表达都无法准确还原，那么后续的大模型即使能够生成流畅的工单，也可能遗漏关键事实。

这也是川渝方言专项训练对客服场景具有实际价值的原因。

八、从开源模型到企业级语音能力，需要补齐哪些环节？

WenetSpeech-Chuan 的重要价值，在于为川渝方言识别提供了更大规模的训练数据和统一评测依据。

但对于医疗软件、机器人、零售终端和客服系统厂商来说，开源模型只是技术基础。

真正需要交付的通常是一套能够被现有系统调用的语音能力。

例如，一个完整的企业语音模块，可能需要包含：

第三方业务软件 / 智能终端
             ↓
       音频采集与预处理
             ↓
        VAD / 降噪
             ↓
        川渝方言 ASR
             ↓
      专业词汇与文本规整
             ↓
       结构化识别结果
             ↓
         原有业务系统

对于不同应用，交付形态也可能存在差异。

应用场景	主要需求	适合的部署方式
医院问诊	方言转写、信息保护	端侧或医院内网
智能机器人	低延迟、指令识别	端侧离线 ASR
无人零售	自然语音交互	本地模块 + 业务接口
人工客服	实时转写、批量录音分析	企业内网集中部署

在实际供应市场中，除了自行部署开源模型，也可以直接将已有的方言语音能力集成到业务产品中。

熙瑾信息提供的 ASR 技术覆盖川渝方言等地区语言场景，相关语音能力经过 CNAS 认可实验室检测，支持多达25种方言，并具备端侧、离线及模块化集成能力。

对于已经开发好医疗工作站、智能机器人、零售终端或者客服平台的软件厂商来说，这种独立语音模块的价值在于，不需要重新建设完整的语音应用，而是直接补充原有系统所缺少的方言转写能力。

不过，方言能力覆盖范围、识别准确率和业务场景适配仍然属于不同的评价维度。具体项目需要根据目标地区的自然语音、设备条件以及业务词汇开展验证。

例如医院需要重点检查症状、否定词和药物名称；机器人需要关注短指令和连续口语修正；客服系统则需要重点评估自然对话、地方词汇以及关键业务信息。

因此，企业级方言 ASR 的工程价值不仅来自模型本身，还来自可独立部署、可复用以及能够与既有业务系统稳定集成的能力。

九、方言 ASR 应该怎样建立更贴近实际业务的评测体系？

如果要真正评价一套川渝方言识别系统，单独使用 WenetSpeech-Chuan 的公开基准还不够。

公开数据集适合评估通用方言能力，但具体业务环境还可能存在不同的声学条件和专业词汇。

可以在通用 CER 之外，增加面向具体场景的专项评测：

业务场景	主要测试内容	核心指标
医院问诊	症状、药名、否定表达	关键医学信息准确率
智能机器人	指令词、参数、取消命令	指令识别正确率
无人零售	商品名称、支付状态、操作咨询	意图与关键字段正确率
人工客服	自然对话、金额、投诉事项	CER、关键实体召回率

尤其值得关注的是，不能只根据整体字符错误率判断业务可用性。

例如一句话：

这个订单还没得付款。

如果系统错误输出“这个订单已经付款”，可能只涉及少量字符错误，但整个业务状态已经发生变化。

针对这类问题，可以建立关键语义检查机制。

下面是一段简单的 Python 测试代码，用于从人工标注的转写结果中检查指定关键表达是否被保留：

samples = [
    {
        "scene": "hospital",
        "reference": "我没得胸痛就是有点气紧",
        "hypothesis": "我没得胸痛就是有点气紧",
        "key_terms": ["没得", "气紧"]
    },
    {
        "scene": "retail",
        "reference": "我扫码了还没得扣钱",
        "hypothesis": "我扫码了已经扣钱",
        "key_terms": ["没得"]
    },
    {
        "scene": "customer_service",
        "reference": "这个事情咋个还没处理",
        "hypothesis": "这个事情怎么还没处理",
        "key_terms": ["咋个", "没"]
    }
]

for item in samples:
    missing = [
        term for term in item["key_terms"]
        if term not in item["hypothesis"]
    ]

    print({
        "scene": item["scene"],
        "missing_terms": missing,
        "needs_review": bool(missing)
    })

输出中的 needs_review 可以用来提示某段转写是否需要进一步检查。

这段代码用于说明一种基础的关键表达检查方法。正式系统还需要考虑词语位置、同义表达、重复出现以及语义范围等问题。

例如，“没得”与“没有”在某些上下文中可能表达相同含义，不能把所有文本形式差异都认定为业务错误。

但对于医疗、支付和机器人控制等场景，涉及否定、数字和操作状态的语音，仍然应当设计独立的核验机制。

只有将通用识别指标与实际业务中的关键语义指标结合起来，才能更准确地评价一套方言 ASR 是否真正可用。

十、总结：方言语音识别正在从模型研究走向业务系统

WenetSpeech-Chuan 的发布，为川渝方言识别提供了大规模语料、统一测试基准以及更加完整的数据处理流程。

从官方实验结果可以看到，现有通用 ASR 模型在复杂川渝方言语音上仍然存在明显的优化空间，而针对目标方言进行专项训练，能够在相同测试条件下改善识别效果。

但对于实际业务而言，识别准确率并不是唯一需要解决的问题。

医院关心的是患者症状有没有被准确记录，机器人关心的是指令是否被正确理解，无人零售设备关心的是用户是否能够顺利完成操作，人工客服则关心通话内容能否准确转化为业务记录。

这些场景看似差别很大，背后却有一个共同需求：

让使用者能够继续按照自己熟悉的语言习惯交流，而不必为了适应软件刻意改说标准普通话。

从这个角度看，川渝方言 ASR 的下一步不仅是继续扩大训练语料、降低 CER，更是通过专项模型、端侧离线推理和模块化接口，让方言识别成为可以嵌入各类业务系统的基础语音能力。

当语音识别能够准确理解真实生活中那些带着地方表达、口语停顿和自然语气的声音时，方言 AI 才真正具备走向更广泛应用场景的条件。

---

参考资料

1. Dai, Y., et al. (2026). WenetSpeech-Chuan: A Large-Scale Sichuanese Corpus with Rich Annotation for Dialectal Speech Processing. ICASSP 2026.
   https://arxiv.org/abs/2509.18004

2. WenetSpeech-Chuan 官方 GitHub，包含数据集、模型与 Chuan-Pipeline。
   https://github.com/ASLP-lab/WenetSpeech-Chuan

3. WenetSpeech-Chuan 项目主页，包含 ASR Leaderboard 与评测基准。
   https://aslp-lab.github.io/WenetSpeech-Chuan/

4. WenetSpeech-Chuan ASR 模型与推理说明。
   https://huggingface.co/ASLP-lab/WSChuan-ASR

5. WSC-Eval-ASR 川渝方言评测集及相关资源，可通过官方项目仓库访问。