中文语音识别测评体系发布！覆盖6大维度、15项核心任务

发布时间：2026-09-04来源：CLUE中文语言理解测评基准

2026 年，语音识别（ASR）技术快速发展：闭源API相继强化方言口音、长音频与结构化数字能力，中文厂商也在方言、古诗文及专业词汇方向持续投入。然而，现有公开评测或侧重英文场景，或仅面向开源模型，既难覆盖中文方言、中文实体等特有需求，也缺乏对长音频稳定性、结构化关键信息与高难度表达的统一评价，尚未形成系统、客观的中文语音识别综合排名。

因此，我们正式推出 SuperCLUE-ASR 中文语音识别测评体系。该体系结合国际成熟评测方法论和中文方言评测的地域细分经验，并补充中文结构化信息与中文高难度表达两类评测任务，最终形成包含 6 大一级维度、15 项核心任务的测评方案。

排行榜地址：www.SuperCLUEai.com

# SuperCLUE- ASR测评体系

注：具体的测评体系以正式发布的测评报告为准。

测评体系总览：

15 项核心任务与评价指标：

注：全榜仅设两类评价指标——错误率与准确率。A–D 及 F2 任务采用字错误率（CER），E 类任务采用术语/实体错误率（MER），均按子条件取宏平均；F1 采用结构化信息槽位精确匹配准确率。各任务指标即为该任务的唯一评价口径。

1. 任务体系介绍

（1）基础中文转写

该维度为基础能力锚点，用于评估模型在干净声学条件下的中文基础转写能力。

标准普通话：覆盖日常、社会、科技、新闻、知识性陈述等内容，采用标准中性普通话、自然语速、干净声学环境，时长按 5–30 秒分三档分布；

自然口语普通话：评估模型由朗读语音转入真实中文自然口语后的性能变化，样本覆盖犹豫、自我修正、重复、不完整表达、语序松散、口语化省略等，时长 8–45 秒。

（2）真实声学鲁棒性

基于干净音频，程序化构造真实声学退化条件，评估模型在复杂声学环境下的转写鲁棒性。

环境噪声：混入咖啡厅、办公室、人群、道路交通、车内、机械/风扇等 4–6 类真实环境噪声；

房间混响与远场：设置轻度室内、中等会议室、远场加强混响三档空间声学条件，Hard 样本不叠加强噪声，以避免与“环境噪声”任务产生混淆；

通信与压缩：模拟电话、低带宽及低码率通信条件，覆盖 8 kHz 电话窄带、Opus、AAC 等编码条件；

语速变化：采用保持音高的变速方法，覆盖 1.25×、1.5× 及少量 1.7× 快速中文，评估语速变化条件下的转写稳定性。

（3）中文地域语音

该维度为中文榜单的核心差异化维度，权重为全榜最高。

地域口音普通话：内容仍为普通话，但带有明显且自然的地域发音特征，初始口音簇覆盖东北、川渝、河南、江浙、广东等地区普通话；

中文方言：评估真实中文方言的连续转写能力，参考答案保存实际方言表达。

（4）对话与长音频

评估真实交互场景下的转写能力与长时稳定性。

双人自然对话：可能包含短轮次、快速切换、自我修正及少量打断，时长 30 秒至 5 分钟，仅评价转写内容，不评价说话人身份与时间戳；

多人对话：覆盖 3–5 人的对话，对话中可能包含抢话及可控重叠语音，时长 2–15 分钟；

长音频连续转写：设置 20 / 40 / 60 分钟三个时长档，评估转写性能随音频时长增长的稳定性；调用方式优先完整文件输入，受模型或 API 限制时依次降级为约 9 分钟分段、约 30 秒分段，切点选取自然停顿位置，处理方式仅作记录、不计入扣分。

（5）专业领域与长尾信息

专业领域语音：覆盖 AI/IT、医疗、金融、法律、汽车、工程六大领域，允许自然出现 GPU、CUDA等英文术语与缩写，强调连续信息密度而非孤立术语；

专业实体与长尾词：评估模型对密集实体、相似实体及长尾专名的转写能力，Hard 样本单条包含约 8–15 个实体，并引入 H100/H200、Qwen3/Qwen3.5、A17/A17 Pro 等相似实体对以提高区分度。

（6）中文高难信息

结构化关键信息：覆盖日期、时间、金额、百分比、电话、邮箱、IP、URL、订单号、产品型号、软件版本号、字母数字混合串等业务关键结构信息，采用严格精确匹配，单个字符错误即判定该信息项错误；

中文高混淆与低频表达：覆盖同音/近音、多音字与音义歧义、绕口令与高相似音序列、古诗词、文言与低频表达、生僻专名六大子类型，聚焦真实中文语境中易发生的混淆，避免将任务设计为单纯的生僻字识别测试。

2. 测评方法和任务示例

测评方法

采用统一评测管线对参评模型进行独立复测，构建覆盖六大维度的专用测评集，每个维度进行细粒度评测并可提供详细的错误反馈信息。

1.测评集构建

语音识别测评题库的构建流程如下：

1.TTS 生成或真人素材采集音频--->

2.多轮人工 QA 校验，正式音频冻结入库--->

3.开展样例测试，收集反馈数据--->

4.系统化构建各任务专属评测集，形成完整测评题库。

2.评分方法

为了确保评测的科学性和公正性，我们采用统一评测管线对全部参评模型进行独立复测。结合统一音频、统一文本归一化与统一输出契约，按各任务评价指标自动评分：转写类任务统计字/术语错误率，结构化信息任务执行严格精确匹配；各任务指标统一转换为错误率口径后，按两级权重加权汇总为综合错误率。应用这种方式，尽量减少人为因素的干预，确保评分结果的客观性和一致性。

与生成类任务普遍采用的“大模型裁判评分”不同，ASR 属于具有确定参考答案的识别类任务，本榜单采用客观指标自动计算，主要区别在于：

无需裁判模型：每道题目均有经多轮人工 QA 冻结的标准参考答案，模型输出与参考答案直接比对，评分过程不存在主观判断环节；

评分完全确定：字错误率（CER）、术语/实体错误率（MER）基于编辑距离自动计算，结构化信息执行严格精确匹配，同一模型输出在任何时间复测得分完全一致，不受裁判模型版本或采样随机性影响；

3.总分计算

排名按综合错误率升序排列，综合错误率越低，排名越靠前。计算分两步：

第一步：计算各维度错误率

维度错误率 = Σ（任务维度内权重 × 任务错误率）

其中：A–D 及 F2 任务的任务错误率为字错误率（CER），E 类任务为术语/实体错误率（MER），均按子条件分别计算后取宏平均；F1 任务的任务错误率为「1 − 槽位精确匹配准确率」。

第二步：加权汇总为综合错误率

综合错误率 = Σ（一级维度权重 × 维度错误率）

例如：某模型在 C 维度的 C1 任务字错误率为 8%、C2 为 12%，两项任务维度内权重各 50%，则 C 维度错误率 = 50% × 8% + 50% × 12% = 10%；C 维度权重为 25%，对综合错误率的贡献为 25% × 10% = 2.5%。其余维度同理计算后求和，即得综合错误率。

评价指标定义：