5月14日消息，小鹏汽车在论文《判别性多模态语音识别， Discriminative Multi-modality SR》提出了一个两阶段语音识别模型。在第一阶段，通过唇动的视觉信息将目标语音从背景噪声中分离出来，使模型能够清晰地理解。第二阶段，音频模态再次结合视觉模态，通过MSR子网络更好地理解语音，进一步提高识别率。据介绍，通过在LRS3-TED和LRW数据集上进行了大量的实验。该两阶段模型 (音频增强多模态语音识别，AE-MSR) 以显著的优势达到了最先进的性能，证明了AE-MSR的必要性和有效性。