CNVSRC 2023 (Chinese Continuous Visual Speech Recognition Challenge 2023)是由 NCMMSC 2023 组委会发起，由清华大学、北京邮电大学、海天瑞声、语音之家联合承办的视觉语音识别竞赛。本次竞赛的核心目的是验证当前视觉语音识别 (或称唇语识别) 技术在大词表连续识别场景下的性能。目前竞赛结果提交系统已经关闭，参赛队伍排名已经确定。
本次竞赛吸引了学术届和工业届多家单位参与，一些团队的提交结果远超基线系统，取得了优异成绩。本周六（2023年12月9日）晚6:30，CNVSRC2023 组委会将在NCMMSC 2023上举办研讨会，宣布竞赛排名，并邀请部分参赛团队分享技术细节。研讨会采用线上线下混合模式，主会场在苏州CCF业务总部&学术交流中心206房间，线上腾讯会议号为655-787-561，或扫描下方二维码直接入会。
视觉语音识别，也称唇语识别，是一项通过口唇动作来推断发音内容的技术。该技术在公共安全、助老助残、视频验真等领域具有重要应用。当前，唇语识别的研究方兴未艾，虽然在独立词、短语等识别上取得了长足进展，但在大词表连续识别方面仍面临巨大挑战。特别是对于中文而言，由于缺乏相应的数据资源，该领域的研究进展受到了限制。为此，清华大学在2023年发布了CN-CVS数据集[1]，成为首个大规模的中文视觉语音识别数据库，为进一步推动大词表连续视觉语音识别 (LVCVSR) 提供了可能。关于CN-CVS数据集的更多信息，可访问数据库官网 http://cnceleb.org。
为推动这一研究方向的发展，清华大学联合北京邮电大学、海天瑞声和语音之家在 NCMMSC 2023 举办中文连续视觉语音识别挑战赛 (CNVSRC, Chinese Continuous Visual Speech Recognition Challenge)。本次赛事以 CN-CVS 中文视觉语音识别数据库为基础数据，评估在录音室朗读 (Reading) 和网络演讲 (Speech) 两类场景下的 LVCVSR 系统的性能。比赛结果将在 NCMMSC 2023 会议上宣布并颁奖。
赛事简介
CNVSRC 2023 共设有两个任务：
T1：特定说话人视觉语音识别 (Single-speaker VSR)
T2：多个说话人视觉语音识别 (Multi-speaker VSR)
前者侧重于针对某一特定说话人进行大量数据调优后的性能，后者侧重于系统对非特定说话人的基础性能。每个任务根据训练数据不同，又分为固定赛道 (Fixed Track) 和开放赛道 (Open Track)。
固定赛道仅允许使用 CN-CVS 数据集及各任务发布的开发集作为训练集，旨在验证算法的先进性。开放赛道则可以使用任何数据进行训练，旨在验证当前技术能够达到的性能上限。
CNVSRC 2023 时间表
CNVSRC 2023 时间安排如下：
09月20日 训练集、开发集数据发布
09月20日 基线系统发布
10月10日 测试集数据开放
11月01日 结果提交系统开放
12月01日 结果和系统技术描述提交截止
12月09日 举办 CNVSRC 2023 Workshop，竞赛结果发布
[1] C. Chen, D. Wang, T.F. Zheng, CN-CVS: A Mandarin Audio-Visual Dataset for Large Vocabulary Continuous Visual to Speech Synthesis, ICASSP, 2023.
