ทันเอไอ

Hugging Face 揭示研究显示：AI 语音转文字或许并非真正高明，只是死记硬背了标准考题

Hugging Face 的最新报告指出，语音识别（ASR）模型之所以能在基准测试中获得极高分数，是因为记住了考试模式，而非具备真正的听力技能。

2026年8月21日，Hugging Face 发布了一篇名为“Measuring benchmark optimization in speech recognition”的文章，揭露了语音识别（ASR，Automatic Speech Recognition）系统中存在的基准优化（Benchmark Optimization）问题。目前，该系统在公共测试中的得分极高，看起来几乎能媲美人类，但这却无法反映实际应用情况。

通过与 Artificial Analysis 联合开展的研究和分析，在对 11 款开源 ASR 模型进行检测后，发现了一个有趣的现象：尽管音频文件中的实际声音与测试集中的文本不符，但这些模型往往仍会根据诸如 VoxPopuli 等测试集进行转写。

此外，研究还发现 VoxPopuli 测试集的参考答案（Reference errors）错误率高达 40%。令人震惊的是，得分最高的模型，其根据上述测试集产生错误转写的情况竟然高达测试案例的 18% 至 30%。

为了解决这一问题，作者团队建议开发者避免单纯依赖独立同分布（IID）测试集，而应改用按时间（Temporal）或按说话人（Speaker）来划分测试数据，以防止模型针对特定测试集进行过拟合。