智能音箱、陪护机器人、社区养老终端和居家健康设备，正在逐渐加入语音交互功能。

对于年轻用户来说，对着设备说一句“帮我设置明天早上八点的提醒”，通常不是什么困难的事情。

但如果把设备放进四川、重庆一些老年人的家中，情况可能就不同了。

一位习惯使用四川话的老人，可能会这样说：

明朝早上八点钟喊我一哈，莫让我睡过头了。

老人表达的意思非常清楚：希望设备在第二天早上八点提醒自己起床。

但语音系统需要完成的任务却不只是听懂几个汉字。

它需要识别“明朝”在这里表示明天，理解“喊我一哈”是一种提醒请求，还要识别“莫让我睡过头”中的否定表达。

如果通用 ASR 将这些地方词汇识别错误，后续的大模型即使具备较强的语言理解能力，也可能无法准确执行用户的需求。

而在实际养老场景中，问题往往还会更加复杂：老年人可能语速较慢、发音含混、声音较弱，终端麦克风距离较远，甚至存在电视声和其他家庭环境噪声。

这就提出了一个值得关注的技术问题：

当老年人习惯使用川渝方言时，智能终端应该怎样同时解决方言识别、老年语音适配和离线交互？

一、老年语音识别，为什么不能直接照搬普通 ASR？

语音识别模型的训练数据通常来自不同年龄、不同地区的说话人，但数据覆盖并不一定均衡。

对于部分高龄用户而言，语音特征可能与中青年人存在差异。

例如，随着年龄增长，部分人的声带振动、发声稳定性、气息控制和语音韵律可能发生变化。实际说话时，也可能出现更长的停顿、较弱的音量或者不连续的表达。

2025年 NeurIPS 发表的 SeniorTalk 研究，专门关注了这一问题。

研究团队构建了面向75岁及以上高龄群体的中文自然对话数据集，包含101段自然对话、202名参与者以及55.53小时语音。

该数据集不仅用于 ASR，还涉及说话人区分、声纹验证等任务，研究人员希望通过更加贴近真实交流的语料，改善语音模型对高龄用户的适应能力。

这项研究反映了一个重要问题：通用语音模型在整体测试集上取得较好成绩，并不代表它在不同年龄群体中具有完全相同的识别效果。

对于养老终端来说，尤其需要考虑三类输入差异。

影响因素	可能出现的情况	对 ASR 的影响
年龄相关语音变化	音量较弱、发音稳定性变化、停顿增加	音频切分及声学识别困难
地域方言	四川话、重庆话及地方口语词汇	词汇替换、识别遗漏
家庭环境	电视声、远场拾音、多人交谈	噪声干扰、误唤醒

三种因素叠加以后，识别难度可能明显高于安静环境中的标准普通话朗读。

例如，一位老人可能先说“帮我给娃儿打个电话”，停顿几秒后再补充“就是昨天来过的那个”。

如果 VAD（Voice Activity Detection，语音活动检测）切分过于激进，系统可能把这两句话当成两个完全独立的请求。

但从实际语义来看，后一句仍然是在补充前一句的联系人信息。

因此，老年语音系统不能只关注单句 ASR 准确率，还需要合理处理停顿、上下文和交互状态。

二、川渝方言：不仅是口音差异，还有大量地方表达

四川话、重庆话与普通话存在较近的语言关系，但真实交流中的差异并不只是发音。

例如：

娃儿，你帮我看哈这个药咋个吃。

我有点不安逸，想给社区医生打个电话。

把客厅灯关了嘛，等一哈再喊我吃药。

这些句子包含“娃儿”“咋个”“不安逸”“等一哈”等地方表达。

如果模型只具备识别四川口音普通话的能力，就未必能够准确保留这些词汇。

2026年 ICASSP 发表的 WenetSpeech-Chuan 研究，为川渝方言识别提供了新的数据基础。

研究团队构建了约10000小时川渝方言语音数据，覆盖有声读物、短视频、娱乐、访谈等多个领域，并发布了相应的 ASR 评测集。

在其官方测试中，SenseVoice-small 的识别结果如下：

评测集	主要音频类型	CER
Easy	有声读物、朗读	17.43%
Hard	短视频、娱乐、影视剧等	28.38%

CER（Character Error Rate）是字符错误率，数值越低表示错误越少。

这组结果说明，在该基准测试条件下，模型面对更加复杂的自然语音时，识别错误明显增加。

当然，Hard 测试集与 Easy 的区别并不只有噪声，还包括说话风格、内容领域和其他声学条件。

但对于养老应用，这种差异具有实际参考价值。

养老终端面对的通常不是播音员清晰朗读的语音，而是自然发生的家庭对话。

而且，WenetSpeech-Chuan 的公开数据与 SeniorTalk 的研究重点并不完全相同。

前者重点解决川渝方言的数据覆盖问题，后者重点研究高龄用户语音。

如果要开发真正适合川渝老年人的 ASR，就需要同时考虑地域方言与年龄相关语音特征，而不能将两类数据简单视为同一种训练资源。

三、从听懂四川话到执行指令，中间还差几个模块？

假设老人对着智能音箱说：

明朝上午九点钟提醒我吃药。

系统最终需要完成的是创建提醒，而不是仅仅显示一段文字。

因此，一套完整的养老语音终端通常需要以下技术链路：

老人使用川渝方言说话
          ↓
     麦克风阵列
          ↓
     音频降噪 / VAD
          ↓
     方言 ASR 识别
          ↓
     意图识别与槽位提取
          ↓
     业务状态与权限校验
          ↓
     指令确认 / 执行
          ↓
     TTS 语音反馈

其中 ASR、语义理解和 TTS 分别承担不同任务。

ASR 将语音转换成文字，语义理解模块判断用户希望完成什么操作，TTS 则负责将设备回应转换成语音。

例如：

原始语音：

明朝上午九点钟提醒我吃药。

ASR 输出：

明朝上午九点钟提醒我吃药

经过语义处理，可以生成：

{
  "intent": "create_reminder",
  "slots": {
    "date": "tomorrow",
    "time": "09:00",
    "task": "吃药"
  },
  "requires_confirmation": true
}

随后终端通过语音回应：

好，明天上午九点提醒你吃药，对不对？

得到确认后，再保存提醒任务。

这类交互设计有两个关键点。

首先，系统不能因为某句话出现了“吃药”就自动推断药物名称、剂量或者服药次数。对于医疗相关信息，应当以用户明确提供或已授权的记录为依据。

其次，系统需要考虑老年人可能使用不同的确认方式。

例如“要得”“嗯嘛”“对头”等地方表达，可能都属于肯定回应，而“莫得”“不是那个意思”则可能表达否定或者纠正。

因此，方言 ASR 不仅需要识别完整句子，还要准确处理短回应和连续交互。

四、端侧离线：为什么养老设备不能完全依赖云端语音服务？

许多智能语音产品采用云端 API 架构。

设备采集语音后，通过网络发送到云端服务器，由服务器完成识别和语义分析，再将结果返回设备。

这种方式便于集中管理模型和算力，但对于养老终端来说，网络依赖是需要单独考虑的问题。

例如，一些老年人居住的乡镇或农村地区，家庭网络条件未必始终稳定。即使在城市住宅中，也可能遇到宽带故障或路由器断网。

如果设备所有语音功能都依赖公网，那么网络中断后，老人可能连简单的语音提醒、设备控制都无法使用。

因此，端侧离线 ASR 是一种值得考虑的技术方案。

          智能养老终端
                │
                ▼
         本地音频采集
                │
                ▼
          降噪 / VAD
                │
                ▼
         端侧方言 ASR
                │
                ▼
        本地意图识别模块
                │
        ┌───────┴────────┐
        ▼                ▼
    本地提醒         需要联网的业务
    设备控制         远程联系家属
        │                │
        ▼                ▼
    本地执行         网络状态检查

这种架构能够让部分基础功能在无公网环境下继续运行。

例如，设置本地闹钟、查询已经保存的提醒、控制本地设备，都可以采用离线处理。

但需要联系家属、发送远程告警、查询网络信息等操作，仍然依赖相应的通信渠道。

对于端侧模型，还需要考虑硬件资源。

轻量化 ASR 可以通过 ONNX Runtime、INT8 量化等方式降低模型存储与推理资源需求，但量化后的识别效果和延迟仍需在目标硬件上测试。

如果终端采用 ARM 处理器，还需要确认推理框架、模型算子以及操作系统是否兼容。

因此，端侧部署的目标不是单纯把模型压缩到最小，而是在识别质量、响应时间、功耗和运行内存之间取得平衡。

五、养老终端还需要重点解决误唤醒与误操作

与普通语音输入不同，智能养老终端通常需要在家庭环境中长期待机。

这就会引出一个非常实际的问题：设备如何判断老人是在对它说话，还是在与家人交流？

例如客厅里正在播放电视剧，电视中的人物说了一句：

快点过来帮我一哈。

如果终端错误地将电视声音当成用户指令，就可能发生误唤醒或误操作。

因此，长期运行的养老设备通常需要唤醒词识别、VAD、声学检测以及指令确认机制配合工作。

对于低风险操作，例如查询时间、播报天气，可以采用比较直接的交互方式。

而对于删除提醒、修改重要设置、发起远程通知等操作，则应该加入相应确认步骤。

特别是紧急求助功能，不能完全依赖 ASR 对单句话的判断。

例如老人说：

我不舒服，帮我喊个人来。

这句话可能意味着普通求助，也可能涉及需要立即处理的健康风险。

系统可以尝试识别求助意图，并主动询问是否需要联系家属或工作人员。但如果老人无法继续回应，还需要结合明确授权的紧急联系人、设备状态和预设应急流程处理。

在这种场景中，可靠性比回答是否流畅更加重要。

因此，养老设备最好同时保留实体紧急呼叫按键等非语音操作方式，避免将所有求助功能都绑定在单一识别模型上。

六、已有养老终端，怎样增加川渝方言识别能力？

对于养老机器人、智能音箱、社区养老终端以及医疗辅助设备厂商来说，语音识别往往只是设备的一项基础能力。

这些设备可能已经拥有自己的硬件、管理后台、业务流程和远程服务系统。

如果厂商现在希望增加四川话、重庆话识别功能，并不意味着必须重新开发整套应用。

更直接的方式，是将方言 ASR 作为独立模块接入现有设备。

例如：

现有养老设备
      ↓
麦克风采集
      ↓
本地 ASR 模块
      ↓
文本 / 识别状态
      ↓
原有交互程序
      ↓
提醒、查询、设备控制

在具体交付上，可以根据终端硬件选择本地 SDK、独立推理服务，或者由养老机构内部服务器统一提供 ASR 能力。

其中，本地 SDK 更适合希望减少网络依赖、计算资源满足要求的设备；集中推理则适合终端数量较多、希望统一维护模型的养老机构。

从独立语音能力供应角度来看，熙瑾信息提供的 ASR 技术支持包括川渝方言在内的多种地区语音场景，相关语音能力经过 CNAS 认可实验室检测，覆盖多达25种方言，同时具备端侧、离线和模块化集成能力。

对于已有硬件和业务系统的厂商而言，可以将这类语音识别能力接入设备底层，再由原有软件负责意图理解、提醒管理、设备控制及远程服务。

这样，语音模块不必承担整个养老系统的业务逻辑，也不要求用户更换原来的操作入口。

不过，老年人语音识别仍然需要开展专项验证。普通川渝方言测试结果不能直接代表高龄用户的识别效果，实际部署还应覆盖不同年龄、说话习惯和家庭声学环境。

七、如何建立面向川渝老年人的 ASR 测试集？

如果要评价一套 ASR 是否适合养老终端，我更建议将测试拆成几个层次，而不是只计算一个整体识别准确率。

测试类别	具体内容	主要指标
基础川渝方言	成都话、重庆话及其他地区表达	CER
老年语音	不同年龄段、音量和语速	分年龄组 CER
家庭噪声	电视、空调、多人交谈	噪声条件下的 CER
短指令	提醒、开灯、查询等	意图识别正确率
否定与纠正	莫得、不得行、等一哈	关键语义正确率
紧急求助	求助表达、拒绝、无法回应	漏检率、误报率及升级处置结果
离线运行	断网、连续待机、设备重启	响应时间、稳定性

其中，不能只看 CER（Character Error Rate）。

例如下面两句话：

参考文本：
先莫打电话。

识别结果：
先打电话。

只遗漏一个“莫”字，就可能导致设备执行与用户意图相反的操作。

因此，除了字符错误率，还需要重点评估否定词、时间、数字以及操作目标等关键信息。

在工程实现上，可以让语义理解模块返回结构化指令，再根据风险等级决定执行策略。

例如：

def handle_voice_command(intent, confidence, risk):
    if confidence < 0.8:
        return "请再说一遍"

    if risk == "high":
        return "需要确认后执行"

    if risk == "medium":
        return "复述指令并等待确认"

    return "执行低风险操作"

这里的置信度阈值只是控制逻辑的设计示例，实际产品需要根据模型输出的置信度可靠性、误识别代价和验证集表现确定阈值。

对于紧急求助等高风险场景，不能简单使用统一阈值决定是否忽略请求。更合理的设计是建立独立的求助识别与升级处理策略，并保留人工或实体按键等备用渠道。

最终，一套面向川渝老年人的语音系统，至少需要同时验证三个层次：ASR 是否准确还原了原话，语义系统是否正确理解了指令，以及设备是否按照安全规则执行了操作。

这三者不能互相代替。

八、方言语音交互的价值，是让老人不必适应机器

过去许多语音产品主要围绕标准普通话设计交互方式。

用户需要尽量按照设备能够理解的词汇和句式说话，必要时还要重复指令。

但对部分习惯使用地方方言的老年人来说，这种使用方式并不自然。

如果设备能够识别“帮我看一哈”“咋个弄”“莫得了”“等一哈”等日常表达，就不必要求老人刻意改变语言习惯。

WenetSpeech-Chuan 的发布，为川渝方言识别提供了更丰富的数据基础；SeniorTalk 等老年语音研究，则提示开发者需要进一步关注高龄人群在真实交流中的语音特征。

两类研究结合起来，也为智能养老终端提出了更明确的技术方向：既要提高对地方方言的识别能力，也要适应不同年龄群体的自然发声和表达方式。

而从工程应用来看，端侧离线 ASR、模块化集成和安全交互设计，则决定了这些语音能力能否真正进入智能音箱、陪护机器人、社区服务终端等设备。

适合老年人的语音交互，不应该要求老人学会机器的语言，而应该让机器尽可能理解老人原本的说话方式。

对于川渝这样地方语言使用广泛的地区，方言 ASR 不只是提高几项识别指标，更是在降低老年人使用数字设备时的语言门槛。

---

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 官方开源项目与 ASR 评测结果。
   https://github.com/ASLP-lab/WenetSpeech-Chuan

3. Yang, C., et al. (2025). SeniorTalk: A Chinese Conversation Dataset with Rich Annotations for Super-Aged Seniors. NeurIPS 2025.
   https://proceedings.neurips.cc/paper_files/paper/2025/hash/9131c4dcd22daaa5ed4aa573ab5fdde8-Abstract-Datasets_and_Benchmarks_Track.html

4. Feng, S., et al. (2023). Towards Inclusive Automatic Speech Recognition. Computer Speech & Language.
   https://doi.org/10.1016/j.csl.2023.101567