资料摘要：SLT 2026 SmartGlasses Challenge
IEEE SLT 2026 SmartGlasses Challenge 建立了中文第一视角多说话人语音基准：同一四通道眼镜录音同时评估带时间戳、说话人归属的 ASR（TSA-ASR）与长音频问答（SLU），覆盖双人日常对话和 3–8 人会议；结果显示转写、说话人跟踪与声学证据推理是三个不能互相替代的能力。
🔒 SmartGlasses Challenge 原始论文
- 两个场景、两项任务：Track 1 是平均约 5.2 分钟的双人日常对话，Track 2 是平均约 19 分钟的 3–8 人会议；两者均做 TSA-ASR 和四选一 SLU。
- 真实第一视角声学条件：定制眼镜两侧镜腿布置四个 MEMS 麦克风；总计 714 会话、106.98 小时，其中 Track 1 为 44.95 小时，Track 2 为 62.03 小时。
- TSA-ASR 用 tcpCER：以 5 秒 temporal collar 匹配 reference turn，联合惩罚字符替换/删除/插入、说话人归属和时间错位；SLU 用 accuracy。
- 多人会议断崖式变难：最佳系统 hfchen 在 Track 1/2 的 tcpCER 为 5.23%/27.95%；其余 Track 2 提交均高于 48%。重叠率超过 20% 时，系统平均 tcpCER 达 69.2%。
- SLU 高分不等于声学理解稳健：最佳系统两轨 accuracy 为 0.888/0.930，但细分后 semantic question 最好，依赖音色、情绪、说话方式等 acoustic evidence 的问题最弱。
- 评测资产已公开：官方仓库提供 README、示例与 tcpCER 运行脚本；数据去标识化并使用 pseudonymous speaker ID，具体下载与挑战条款仍以官网为准。
所有语音用 TextGrid 人工标注 speaker ID、timestamp 与普通话转写，并做两轮交叉核验。Dev/Test 的 3,509 个 SLU QA 按 acoustic、semantic、acoustic-semantic joint 约 1:1:1 构造：先由 LLM 辅助起草，再人工核验；Test 额外做两轮 review。
最强系统透露出的路线
Section titled “最强系统透露出的路线”hfchen 使用 MOSS Transcribe Diarize 架构，将 Whisper-large-v3 encoder 接到 Qwen3-8B，一次预测 speaker label、timestamp 和 transcript，并继续做多说话人 audio-text pretraining。其他团队在四通道平均、beamforming、separation 与直接多通道输入间选择不一；论文明确提醒这些是系统描述，不是受控消融，不能据榜单推断因果。
- 版本：arXiv:2608.12034v1，2026-08-12；7 页。
- 数据总量：714 sessions、106.98 h、3,509 QA；Track 1 平均 overlap 7.5%，Track 2 为 13.6%，最高约 35%/45%。
- 说话人数：Track 2 的平均 tcpCER 随人数由 3 人的 15.5% 上升到 5 人的 49.3%，6–8 人均高于 63%。
- 局限：单一眼镜硬件与中文场景；QA 部分由 LLM 起草；提交系统资源规模不同；leaderboard 不能替代统一预算下的模型对比。