国际语音顶级会议 Interspeech 2026 将于明年 9 月在澳大利亚悉尼举行。由小米、萨里大学、清华大学、海天瑞声联合发起的第二届 Audio Encoder Capability Challenge（AECC）音频编码器能力挑战赛将同步亮相 Interspeech 2026，目前已正式开放报名。
当前，音频大语言模型（LALMs）发展迅速，但大多数主流模型在音频前端编码器上选择非常单一，几乎均基于 OpenAI Whisper Encoder。这种对单一技术的依赖不利于模型架构的多样化探索，也限制了 LALMs 整体能力的进一步提升。为应对音频理解能力不断增长的需求，本次挑战赛将聚焦于音频编码器这一核心模块，重点评估其在复杂真实场景下的理解与特征表示能力。
一、比赛介绍
1.1 评测方法
本次挑战赛采用统一的端到端训练和评估框架。参赛者只需提交预训练的编码器模型，下游任务的训练和评估由主办方完成。主办方提供了开源的评估系统 XARES-LLM (https://github.com/xiaomi-research/xares-llm)。该系统基于用户提供的音频编码器自动训练一个典型的 LALM。该系统会自动下载训练数据，训练模型，然后测试各种下游任务，并为每个任务提供分数，如下图所示。
参赛者并不需要自己运行 XARES-LLM，而只需把音频编码器按照一个简单的接口说明和示例封装，通过邮件发送给主办方即可，大模型的训练和评估由主办方完成。当然，由于 XARES-LLM 是开源的，且只需 GTX4090 即可完成训练和评估，参赛者也可以自行使用该系统训练大模型、评估待提交的编码器的性能，并和主办方提供的基线系统比较。
1.2训练数据
和大多数比赛不同，本挑战赛不仅重视模型设计和训练，也同样重视数据的收集和利用。主办方不规定具体的训练数据集。参赛者可以使用任何数据训练，包括在网络上抓取的数据，但训练数据必须是公开可访问的，不得使用私有保密数据。参赛的模型既可以基于任何开源的预训练模型参数，也可以从头训练。
同时，海天瑞声公司为比赛提供了一个补充数据集，供参赛者免费使用。该数据集从八个商用数据集（King-ASR-457、King-ASR-958 等）提取构建而成。其内容涵盖了丰富的日常环境噪声，具体包括书店、健身房、地铁、餐厅等多种室内外场景的背景噪声，以及家庭环境下的不同距离背景噪声。
此外，数据集还收录了水流、脚步声、户外窗边等特定非语音干扰声，以及地铁车厢在不同时段的运行噪声。啸叫类数据则包含了通话、游戏和直播场景下的纯净啸叫声。
车辆相关环境噪声也是其重要组成部分，如机械噪声、空调运行声和开窗风噪，还有咖啡馆、医院、市场、步行街等生活场景的实录环境声。报名参赛者可以免费访问该数据集，细节详见 :
https://dataoceanai.github.io/Interspeech2026-Audio-Encoder-Challenge/King_NonSpeech-Dataset_en_20h.html。
1.3 赛道设置
我们设置了两个赛道，赛道 A 关注大模型处理传统分类任务、输出分类标签的能力，赛道 B 关注大模型的理解和表达能力。参赛者无需选择赛道。所有提交作品将同时接受两个赛道的评估，两个赛道独立排名。
☆ ☆赛道 A ：传统分类任务
领域 | 数据集 | 任务类型 | 指标 | # |
语音 | Speech Commands | 关键词检测 | 准确率 | 30 |
LibriCount | 说话人计数 | 准确率 | 11 | |
VoxLingua107 | 语言识别 | 准确率 | 33 | |
VoxCeleb1-Binary | 二元说话人识别 | 准确率 | 2 | |
ASVSpoof2015 | 欺骗检测 | 准确率 | 2 | |
Fluent Speech Commands | 意图分类 | 准确率 | 31 | |
VocalSound | 非语音声音识别 | 准确率 | 6 | |
CREMA-D | 情感识别 | 准确率 | 5 | |
ASV2015 | 欺骗检测 | 准确率 | 2 | |
声音 | ESC-50 | 环境声音分类 | 准确率 | 50 |
FSD50k | 声音事件检测 | 平均精度 | 200 | |
UrbanSound 8k | 城市声音分类 | 准确率 | 10 | |
FSD18-Kaggle | 声音事件检测 | 平均精度 | 41 | |
音乐 | GTZAN Genre | 流派分类 | 准确率 | 10 |
NSynth-Instruments | 乐器分类 | 准确率 | 11 | |
Free Music Archive Small | 音乐流派分类 | 准确率 | 8 |
☆ ☆赛道 B ：理解和表达任务
数据集 | 任务类型 | 指标 |
LibriSpeech-100h | 语音识别 | iWER |
AISHELL-1-100h | 语音识别 | iWER |
Clotho | 音频描述 | FENSE |
The Song Describer Dataset | 音乐描述 | FENSE |
MECAT | 通用描述 | DATE |
二、报名参赛
2.1 报名和提交方法
在2026.01.25 11:59 PM AoE 前填写报名链接：
https://docs.google.com/forms/d/1oaTnhh0HVX8K2oRdHKXsnyZfBWb7F6Oj8xZ6yAiMI74/viewform?edit_requested=true
参考https://github.com/xiaomi-research/xares-llm/tree/main/example 封装自己的编码器，并通过https://github.com/xiaomi-research/xares-llm/tree/main/scripts/audio_encoder_checker.py 工具的检查。
在2026.02.12 11:59 PM AoE 前，把编码器代码和模型文件打成 zip 包，通过邮件发送给主办方。
在2026.02.25 11:59 PM AoE 前，把技术报告 PDF 文件邮件发送给主办方。技术报告可以同时在 Interspeech 官方提交系统作为会议论文投稿。
2.2 联系方式
主办方邮箱:
2026interspeech-aecc@dataoceanai.com
挑战赛官网:
https://dataoceanai.github.io/Interspeech2026-Audio-Encoder-Challenge/
微信群：
END