奇富科技智能語音團隊再傳捷報——多模態(tài)情感計算研究論文Qieemo: Multimodal Emotion Recognition Based on the ASR Backbone被語音領(lǐng)域旗艦會議ASRU 2025正式收錄。由此，奇富科技成為極少數(shù)集齊全球語音領(lǐng)域三大頂會（ICASSP、InterSpeech、ASRU）成果的金融科技企業(yè)，躋身全球語音技術(shù)研發(fā)第一梯隊。

作為音頻理解領(lǐng)域的旗艦會議，ASRU（全稱IEEE Workshop on Automatic Speech Recognition and Understanding）每兩年舉辦一次，代表著全球音頻理解領(lǐng)域研究的最高水平。

此次入選ASRU 2025的論文，其核心價值在于構(gòu)建了一個具有普遍意義的理論框架，而不僅僅是一個特定任務(wù)的模型。論文從數(shù)學(xué)建模視角出發(fā)，開創(chuàng)性地構(gòu)建了以ASR模型為核心骨架的通用特征融合理論框架，系統(tǒng)論證了預(yù)訓(xùn)練ASR模型編碼器多層次特征對下游音頻理解任務(wù)的本質(zhì)性貢獻與關(guān)鍵作用機制。這一框架的提出，跳出了在現(xiàn)有模型上疊加網(wǎng)絡(luò)層或微調(diào)參數(shù)的常規(guī)思路，深入探索了語音表征的本質(zhì)及其跨模態(tài)應(yīng)用的底層邏輯，為多模態(tài)情感識別乃至更廣泛的語音理解任務(wù)提供了全新的、堅實的理論基礎(chǔ)。

應(yīng)運而生的Qieemo模型實現(xiàn)，正是基于此理論框架。它以預(yù)訓(xùn)練ASR（自動語音識別）模型這一廣泛可得的組件為基礎(chǔ)，提取文本相關(guān)的語音后驗概率特征與幀對齊的情感特征，通過自研的多模態(tài)融合模塊與跨模態(tài)注意力模塊，實現(xiàn)了ASR模型不同層特征的高效融合。Qieemo模型的設(shè)計理念使其具備良好的可遷移性和擴展性，其核心思想——利用ASR骨干網(wǎng)絡(luò)提取的深層、對齊的特征作為多模態(tài)融合的基礎(chǔ)——不僅適用于情感計算，也為活體識別、語義理解等其他下游相關(guān)任務(wù)，甚至跨行業(yè)（如教育、醫(yī)療、娛樂等）的智能交互場景，提供了強大的基礎(chǔ)工具和新的研究范式。更為重要的是，Qieemo在實時交互過程中，除提供對應(yīng)的文本信息外，還能提供更深層次的情緒信息。

Qieemo開創(chuàng)性地讓機器真正“聽懂”了人類語音中的情感！這項突破性技術(shù)將識別準確率較傳統(tǒng)方法提升15%以上，更在復(fù)雜場景下實現(xiàn)顯著突破——在已達SOTA的單模態(tài)方案MSMSER基礎(chǔ)上再創(chuàng)4%的相對提升，讓智能客服首次具備真正的“情感理解”能力，為情感計算領(lǐng)域樹立了“SOTA+”的新標桿。這一性能飛躍，正是源于對底層語音特征及其作用機制的深刻洞察，而非簡單的模型復(fù)雜化。

從業(yè)務(wù)價值來看，這一技術(shù)可直接賦能金融服務(wù)全流程：在智能客服場景中，通過實時識別用戶情感波動，可動態(tài)調(diào)整服務(wù)策略，提升用戶滿意度；在信貸審核環(huán)節(jié)，結(jié)合語音情感特征與文本信息，能更精準判斷用戶信用狀態(tài)，降低風(fēng)險成本。更重要的是，Qieemo所奠定的理論基礎(chǔ)和框架設(shè)計，為金融乃至更廣泛領(lǐng)域的智能語音交互，構(gòu)建了一個性能更強、適應(yīng)性更廣的底層平臺。

與多數(shù)依賴開源技術(shù)或外部合作的金融科技公司不同，奇富科技在人工智能核心領(lǐng)域堅持全鏈路自主研發(fā)，在語音識別、情感計算等前沿領(lǐng)域持續(xù)投入，形成了從算法設(shè)計到工程落地的完整體系。尤為關(guān)鍵的是，奇富科技的研發(fā)路徑選擇了一條更深入、更基礎(chǔ)的探索之路。當行業(yè)普遍聚焦于在現(xiàn)有神經(jīng)網(wǎng)絡(luò)架構(gòu)上堆疊層數(shù)或嘗試不同組合時，奇富科技選擇回歸問題本質(zhì)，深入探究語音信號處理、特征表達與融合的底層數(shù)學(xué)原理和機制。這種對基礎(chǔ)理論和原創(chuàng)框架的執(zhí)著追求，使其在技術(shù)深度、應(yīng)用靈活性以及長期競爭力上占據(jù)極大優(yōu)勢。

奇富科技首席算法科學(xué)家費浩峻表示：“完成三大頂會收官不是終點，而是奇富科技語音技術(shù)生態(tài)的起點。Qieemo模型的建立，標志著我們在構(gòu)建基礎(chǔ)性語音理解能力上邁出了關(guān)鍵一步。它不僅服務(wù)于我們自身的金融場景，其理論內(nèi)核和設(shè)計思想具備向同行乃至跨行業(yè)輸出的潛力。我們將持續(xù)探索語音技術(shù)與人機協(xié)作的融合臨界點，堅持在基礎(chǔ)理論和核心框架上的創(chuàng)新，讓金融科技有精度更有溫度，也讓更廣泛的智能世界受益于我們對底層邏輯的深刻理解。”