小米语音首席科学家 Daniel Povey 当选 2026 ISCA Fellow，全球仅 100 余人获此殊荣

7月16日，小米技术官方账号发布了一则消息：小米语音首席科学家Daniel Povey成功当选2026年度ISCA Fellow。这是国际语音通信协会（ISCA）授予的最高学术荣誉，自2007年设立以来，全球仅有100多人获此殊荣。

什么是ISCA Fellow？简单来说，它是语音通信领域学术界的顶尖认可。2026年，全球共有8位学者当选，Daniel凭借他在语音识别声学建模、序列训练方法上的创新，以及开源语音工具Kaldi的深远影响，成功拿下了这个席位。更值得一提的是，他是这8位学者中唯一一位亲手创建了行业基础设施级开源软件的科学家，在学术和工业界都有极其突出的贡献。

这已经是Daniel继2023年当选IEEE Fellow之后的又一项重磅荣誉。作为一个定义了一个时代的工具，以及创造行业基础设施的科学家，Daniel“双料Fellow”的头衔，确实实至名归。

Daniel的职业生涯，起步于剑桥大学。他2003年在那里拿到博士学位，随后进入工业界，先后在IBM T.J. Watson研究中心和微软研究院工作了大约十年，深耕语音识别核心技术。2019年11月，他移居北京，加入小米集团AI实验室，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，旗下包含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：
  首先，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，属于前1.2%的顶尖作品。2026年升级版Zapformer，把识别精度再拉高了10%-15%，训练稳定性和泛化性也明显增强。

• OmniVoice 多语言 TTS：
  2026年发布的OmniVoice，是一个支持600多种语言和方言的零样本语音合成模型，参数量仅0.8B，基于Qwen3初始化。只需3到10秒的参考音频，就能跨语言克隆音色。在中英文Seed-TTS和LibriSpeech-PC基准上达到SOTA，客观评测中甚至超越了MiniMax和ElevenLabs等商用模型。开源仅3个月，Huggingface下载量已突破500万次。

• CR-CTC（Consistency-Regularized CTC）：
  这项成果被ICLR 2025接收，它让纯CTC模型的性能比肩Transducer，在LibriSpeech、AISHELL-1、GigaSpeech等基准上刷新了SOTA。这大大降低了ASR的训练与部署门槛。

• ZipVoice 零样本语音合成：
  基于Flow Matching和Zipformer骨干，推出了ZipVoice（零样本单说话人TTS）和ZipVoice-Dialog（零样本对话TTS）。参数量少、推理速度快，在CPU单线程上就能达到实时效果。配套的OpenDialog数据集也同步开源。

• 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、嵌入式和服务端。被开发者们称为“智能语音领域的瑞士军刀”。