从＂看谁译谁＂到＂看谁译准＂——唇动识别降噪如何让讯飞AI眼镜在嘈杂展会中脱颖而出

头号新闻网-新闻-本文

从"看谁译谁"到"看谁译准"——唇动识别降噪如何让讯飞AI眼镜在嘈杂展会中脱颖而出

2026-09-22 15:09:07    文/小编 4

展会人声鼎沸，酒会笑语喧哗，数十组对话相互交织，环境噪音常突破85分贝。对出海商务人士而言，这是高频真实场景，却是传统翻译设备的 "死亡测试场"：手持翻译机、手机App、翻译耳机在安静会议室尚能应付，一旦置身嘈杂现场，多声源混杂、人声互相干扰，设备分不清该拾取哪段声音，错译、漏译、乱译接踵而至。跨语言沟通沦为反复复述的低效拉锯。翻译大模型已足够成熟，但"听不清"，就谈不上 "译得准"。

讯飞AI眼镜，以5颗气导麦克风+1颗骨传导麦克风组成5+1麦克风阵列，创新落地唇动识别多模态降噪技术，实现 "看谁译谁" 的独特体验，把视觉感知融入拾音降噪链路，从源头破解嘈杂环境收音难题，让翻译从 "听得见" 进阶到 "译得准"。

5+1 麦克风阵列：构筑硬件拾音底座

整机约40g，在轻量化机身内布局5颗气导麦克风与1颗骨传导麦克风，构建六通道麦克风阵列。5颗气导麦克风分布于镜腿，依托波束成形算法区分远近声源、抑制侧后方杂音，增强目标方向人声，完成环境声音全景采集；1颗骨传导麦克风不依赖空气传声，通过振动拾取发声信号，过滤大量空气传播的背景噪音，弥补气导麦克风在强噪声下的信号缺损。

传统翻译工具（手持翻译机、翻译耳机）仅靠气导麦克风做声学降噪，当多人同时说话，多个有效人声混杂，单纯音频算法难以锁定翻译目标，极易把旁人对话纳入识别 —— 这正是展会翻车的核心根源。5+1阵列完成了声音维度的多层过滤，但讯飞并未止步，而是给AI"加上眼睛"。

唇动识别多模态降噪：复刻 "鸡尾酒会效应"

人类身处喧闹酒会，能盯着对话对象、观察其唇部神态，过滤周遭嘈杂听懂眼前人发言，这就是 "鸡尾酒会效应"。讯飞AI眼镜通过软硬自研，将这套感知机制移植到穿戴设备上。

眼镜搭载1200万109°广角前置摄像头，实时捕捉视野内人物唇部运动。系统一边接收多路音频流，一边解析唇部动态画面，将 "声音信号" 与 "视觉特征" 融合计算：当画面中某人嘴唇产生说话动作，系统即判定其为沟通目标，定向增强该方位音频，优先解析其语音并投射译文。视线看向谁，就拾取谁的声音 ——看谁译谁。唇动信号在此扮演 "目标锁定锚点"，即便噪声严重干扰音频，只要捕捉到唇部动作即可锁定声源，显著降低识别错误。

落到真实场景：展台上多名客商交谈，目光看向海外客户，镜片实时呈现其发言译文；视线转向另一人，翻译源无缝切换，无需转动设备、手动切模式，跟随自然视线完成翻译切换，跨语言沟通回归人与人的平视对话。这套多模态降噪能力深度服务旁听同传、面对面翻译、线上同传、通话翻译四大体系，122种语种（包含方言及口音）互译在展会、酒会、跨境洽谈等复杂场景全程生效。

对比传统方案与竞品：全栈自研构筑壁垒

这套方案并非现成组件拼接，而是全栈自研成果：从麦克风阵列硬件布局、端侧图像处理、唇动特征提取，到多模态融合模型、语音识别、翻译大模型，全链路自主研发迭代。硬件层面约40g机身内容纳多麦克风、摄像模组、显示与电池；算法层面解决端侧算力约束，兼顾效果与功耗；上层对接讯飞星火翻译大模型，叠加17+1行业专业术语库，兼顾通用与商务专业场景精度。

权威评测印证了这套技术体系。IDC《中国AI翻译技术评估》中，科大讯飞在翻译速度、翻译效果、翻译专业度、翻译拟人度、产品应用成熟度、商业化规模、研发投入、用户推荐度8大维度全部登顶，拿下6项满分，充分证明其在技术、产品落地的综合领先。

优秀的穿戴翻译设备，不能只追求 "翻译算法强大"，更要解决 "信号如何被清晰获取" 这一前置命题。从 "看谁译谁" 到 "看谁译准"，5+1麦克风阵列叠加唇动识别多模态降噪，是讯飞给出的行业答案 —— 把实验室技术转化为展会、酒会等嘈杂场景可感知、可落地的沟通体验，让AI翻译真正走出安静房间，服务千变万化的现实世界。

本文地址:http://thcaz.net/xinwen/24988.html

声明：本站原创/投稿文章由头号新闻网编辑发布，所有权归头号新闻网所有，转载务必注明来源；文章仅代表原作者观点，不代表头号新闻网立场；如有侵权、违规，可直接反馈本站，我们将会作删除处理。