Daniel Povey 当选 ISCA Fellow

图片来源：https://isca-speech.org/Latest-News/13652479

ISCA 成立于 1988 年，是全球语音通信与口语处理领域最具权威性的国际学术组织。ISCA Fellow 是协会授予会员的最高学术荣誉，旨在表彰在语音科学、技术与工程领域作出卓越、持久贡献的学者，每年当选人数极少，是语音圈公认的顶级殊荣。该奖项设立于 2007 年，每年新晋 Fellow 不超过当年ISCA 会员总数的千分之三。自设立以来，全球 ISCA Fellow人数仅100余人。

今年全球共 8 位学者当选，Daniel 是唯一一位创建了行业基础设施级开源软件，在学术和工业界都有突出贡献的科学家。

之后，为了全身心投入 Kaldi 开源软件，他加入约翰斯·霍普金斯大学 任教七年，正是在这一时期，他打造了 Kaldi 语音识别工具包，将智能语音技术一次次推向新高度。这是全球使用最广泛的语音识别开源框架，几乎所有语音团队都曾或正在使用它。他还参与创建了著名的 LibriSpeech 数据集，成为全球语音研究的标准基准之一。

早在 Kaldi 诞生之前，Daniel 就提出了 Minimum Phone Error（MPE）序列训练方法，这是早期将区分性训练引入语音识别的开创性工作之一，为后续的 LF-MMI 等一系列方法奠定了理论基础。Daniel 也是将深度学习用于语音识别领域的重要引领者。在语音识别中推广了时延神经网络，配合 LF-MMI 训练，是2015-2020 年学术界和工业界普遍使用的最佳组合。 他还是深度学习在声纹识别领域的重要引领者。提出的 X-vectors 方法是第一个取得成功并被普遍应用的深度学习说话人识别方法，至今仍被广泛使用。他的谷歌学术引用量已超 6 万次。

2019 年 11 月，Daniel 正式移居北京，加入小米集团，出任语音首席科学家。

加入小米后，Daniel 带领团队推出了新一代 Kaldi 开源项目（包含 k2 / Lhotse / Icefall / Sherpa 四大子项目），在语音识别与合成方向持续取得里程碑式进展：

• Zipformer & Zapformer 编码器：Zipformer 是首个严格超越 Google Conformer 的语音编码器，被 ICLR 2024 接收为 Oral 论文（前 1.2%）；2026 年升级版 Zapformer 将识别精度再提升 10%-15%，大幅增强训练稳定性和泛化性。

• OmniVoice 多语言 TTS：2026 年发布支持 600+ 语言/方言的零样本语音合成模型 OmniVoice（0.8B 参数，Qwen3 初始化），仅需 3-10 秒参考音频即可跨语言克隆音色，中英文 Seed-TTS / LibriSpeech-PC 基准达 SOTA，在客观评测集下超越 MiniMax 和 ElevenLabs 等商用模型，开源 3 个月，Huggingface 下载量超 500 万次。

• CR-CTC（Consistency-Regularized CTC）：被 ICLR 2025 接收，让纯 CTC 模型性能比肩 Transducer，在 LibriSpeech / AISHELL-1 / GigaSpeech 等基准上刷新 SOTA，显著降低 ASR 训练与部署门槛。

• ZipVoice 零样本语音合成：基于 Flow Matching + Zipformer 骨干，推出 ZipVoice（零样本单说话人 TTS）与 ZipVoice-Dialog（零样本对话 TTS），参数量少、推理快，CPU 单线程可达实时，配套 OpenDialog 数据集同步开源。

• sherpa-onnx 全平台部署：新一代 Kaldi 的端云一体推理引擎 sherpa-onnx，支持高通/昇腾/瑞芯微等主流 NPU，覆盖 Android / iOS / 嵌入式 / 服务端，被开发者称为“智能语音领域的瑞士军刀”。