当智能家居听出“谁在说话”：十方融海产学研项目破解复杂场景说话人识别难题
一个家庭的客厅里，语音助手同时面对父亲、母亲和孩子三人的对话指令——"帮我放首歌""今天天气怎么样""我想听故事"——它能否准确分辨出每句话出自谁口，并给出个性化的回应？
这并非一个假想场景，而是智能家居进入"千人千面"时代必须回答的技术问题。日前，深圳十方融海科技有限公司举办了一场专项验收会，对其子公司新智未来委托广东工业大学开展的《复杂场景说话人智能识别技术研发》项目进行全面评审。结果显示，项目全部技术指标均已达成，部分核心数据超出预期目标。
产学研协同解法下，一项"超标"的验收
说话人识别（SpeakerRecognition），又称声纹识别，是通过分析语音信号中的个性特征来确认说话人身份的技术。在金融认证、安防监控、智能家居等领域，它被视为下一代人机交互的关键基础设施。据行业研究机构预测，全球说话人识别市场规模在2025年将达到约20亿美元，并保持高速增长。
然而，在真实家庭场景中实现精准的说话人识别，远比实验室环境复杂得多。家庭成员之间的声学特征差异可能不大，环境噪声（电视声、厨房声响、窗外交通）持续存在，注册样本往往极为有限——普通用户不太可能录制几十段语音来"训练"一个语音助手认识自己。
正是这些痛点，构成了十方融海与广东工业大学产学研合作的核心命题。
验收数据显示，该项目在精度突破、推理响应速度、小样本识别能力、拒识能力等核心项目指标全部达标，且关键性能超出预期：
结项报告书上显示，在5人注册场景下，系统等错误率（EER）较基线方案降低了近8%，超过项目预期的5%目标。EER是声纹识别领域衡量系统整体精度的核心指标，降幅越大意味着误识率和漏识率的综合表现越好。
在小样本自适应学习方面，研究团队研发了融合熵置信度正则化的动态可学习嵌入表示矩阵，解决了传统原型网络在样本极少时中心估计偏移的问题。通俗而言，当只有3条语音样本可供参考时，系统依然能够构建出稳定可靠的用户"声纹画像"，而不是因为信息不足而产生严重的识别偏差。
在开放集度量学习方面，团队设计了自适应动态拒识阈值。这一设计使系统在识别已注册用户的同时，能够准确判断出"不认识"的说话人，避免了将陌生人的指令错误地匹配到家庭成员名下。
在推理加速优化方面，团队针对高采样率音频优化了特征提取与模型前向推理流程，使其适配L20高性能算力平台。42毫秒的推理时间意味着，用户说完一句话后，系统几乎在"听到的瞬间"就能完成身份判断，为人机交互的流畅性提供了保障。
项目的技术突破并非来自单一算法的改进，而是多项创新方法的协同作用。
广东工业大学计算机学院在声纹识别领域有持续的研究积累。此次合作中，高校团队承担了基础算法攻关与理论验证工作，而十方融海则提供了明确的应用场景、真实数据与工程化部署条件——这正是产学研合作中"各司其职"的理想状态。
从实验室到客厅：小智AI的落地之路
技术的价值终究要通过产品来检验。
企业技术负责人表示，该研发项目成果将集成至"小智-ESP32"系列产品的后端服务体系中。小智AI是十方融海旗下子公司新智未来自主研发的开源AI语音交互系统。自上线以来，该项目迅速跃居GitHubTrending榜首位，累计吸引超过10万名开发者参与生态建设，接入设备量突破120万台，日均处理对话量达900万条。
2025年12月，新智未来"小智AI"项目成功入选深圳市打造人工智能先锋城市项目扶持计划（第一批）中的"人工智能软件开源奖励专项"。