Krisp 发布 Voice Isolation 2.5：专为 STT 优化，大幅降低竞对语音识别错误率
更新背景：现代 STT 的盲区
在 AI 语音交互领域，语音隔离（Voice Isolation, VI）一直是提升体验的关键技术。Krisp 旗下的 VIVA 系统已在超过 10 亿分钟的语音 AI 对话中运行，其核心逻辑是将 VI 作为前置处理层，负责去除背景噪音和干扰人声，从而让后续的语音识别（STT）模型能更清晰地捕捉主说话人的意图。
然而，Krisp 在观察客户反馈时发现了一个长期存在的痛点：人类听觉与 STT 模型的感知方式并不一致。早期的 VI 模型为了在嘈杂环境中分离主声，往往会“激进”地切除背景人声。对于人类耳朵而言，这听起来依然清晰；但对于 STT 模型，这种被过度处理的声音特征容易被误判为噪声，导致转录结果中出现大量单词缺失（Deletions），而非单纯的错误。
核心突破：VI 2.5 的技术革新
为了解决“转录缺失”问题，Krisp 工程团队推出了 Voice Isolation 2.5。该版本不再单纯追求“静音”，而是致力于“精准分离”，旨在让 STT 模型能以更高的保真度转录隔离后的音频。
1. 显著降低竞对语音场景下的 WER
在竞对语音（Competing Speech）场景下，即主说话人与背景人声同时出现时，VI 2.5 展现了惊人的效果：
- 平均词错误率（WER）下降 46.4%：从处理前的 15.35% 降至 8.22%。
- 竞对语音场景专项提升：在决定通话成败的竞对语音案例中，WER 从 35.92% 骤降至 10.90%，降幅达 69.7%。
2. 消除“清洁音频”惩罚（Clean-Audio Penalty）
这是 VI 2.5 最关键的改进之一。在之前的版本中，为了分离背景音，模型可能会无意中损伤主声，导致在安静环境下（无背景音）的 WER 反而上升。VI 2.5 通过更精细的算法，将无背景音场景下的 WER 拉回至 2.15%，与未处理音频的基准线（2.10%）几乎持平。这意味着开发者可以全天候开启隔离功能，无需担心在安静环境下的转录质量下降。
3. 轻量级部署支持边缘计算
考虑到算力成本，Krisp 推出了 VI 2.5 Lite 版本。该版本体积约为全量版的 3.5 倍，但在典型通话场景下，其转录效果与全量模型持平。这使得在 CPU 受限的设备或边缘端部署实时语音 AI 成为可能，打破了算力瓶颈。
实测数据与评估标准
Krisp 基于 1,685 条真实录音（约 7 小时音频）进行了严格测试，涵盖三种声学条件，并使用了来自七家主流厂商的 10 种不同 STT 引擎进行交叉验证。结果显示，VI 2.5 在所有测试引擎上均实现了 WER 的降低，证明了其 STT 无关性（STT-agnostic）的优势。
| 测试条件 | 文件数 | 时长 | 核心表现 |
|---|---|---|---|
| 主声 + 竞对语音 | 130 | 3.5 小时 | WER 从 35.92% 降至 10.90% |
| 单声（高难度声学） | 255 | 1.5 小时 | 高回声环境下的鲁棒性提升 |
| 单声（标准声学） | 1,300 | 2.0 小时 | 基准 WER 维持在 2.15% |
对开发者的价值
对于构建 AI 会议助手、智能客服或实时翻译应用的开发者而言，VI 2.5 的发布意味着：
- 更高的准确率：无需微调 STT 模型即可享受接近 90% 的竞对语音识别准确率。
- 更灵活的架构：Lite 版本降低了边缘部署的门槛，适合资源受限的 IoT 设备。
- 更稳定的体验：消除了因环境安静导致的转录质量波动，提升了端到端应用的可靠性。
Krisp 表示，这一更新标志着其语音 AI 技术从“降噪”向“增强语义理解”的跨越，旨在让 AI 真正听懂复杂多变的真实世界对话。
