Daniel Povey, Giám đốc khoa học giọng nói tại Xiaomi, vinh dự trở thành ISCA Fellow 2026

Theo tin từ IT ngày 16 tháng 7, tài khoản chính thức @ (Xiaomi Technology) hôm nay đã đăng tải bài viết thông báo Daniel Povey, Giám đốc khoa học mảng giọng nói của Xiaomi, đã được bầu chọn là ISCA Fellow năm 2026.

Theo bài viết được IT dẫn lại, ISCA Fellow là danh hiệu học thuật cao quý nhất do Hiệp hội Truyền thông Giọng nói Quốc tế (ISCA) trao tặng. Kể từ khi thành lập vào năm 2007, chỉ có hơn 100 cá nhân trên toàn thế giới đạt được vinh dự này.

Năm 2026, có tổng cộng 8 học giả trên toàn cầu được vinh danh. Daniel đã được chọn nhờ những đóng góp sâu rộng trong lĩnh vực mô hình hóa âm thanh nhận dạng giọng nói, các phương pháp huấn luyện trình tự sáng tạo, công cụ giọng nói mã nguồn mở Kaldi, cũng như những cống hiến cho lĩnh vực truyền thông giọng nói toàn cầu. Ông là nhà khoa học duy nhất tạo ra phần mềm mã nguồn mở cấp hạ tầng cho ngành công nghiệp, đồng thời có những đóng góp nổi bật trong cả giới học thuật lẫn công nghiệp.

Đây là vinh dự tiếp theo sau khi ông được bầu chọn là IEEE Fellow vào năm 2023. Là một nhà khoa học đã tạo ra những công cụ định hình thời đại và xây dựng hạ tầng cho ngành công nghiệp, danh hiệu "Fellow kép" của Daniel là hoàn toàn xứng đáng.

Sự nghiệp học thuật và chuyên môn quốc tế của Daniel Povey bắt đầu tại Đại học Cambridge. Ông nhận bằng Tiến sĩ tại Đại học Cambridge vào năm 2003, sau đó bước chân vào giới công nghiệp, làm việc tại Trung tâm Nghiên cứu IBM T.J. Watson và Microsoft Research trong khoảng một thập kỷ, tập trung chuyên sâu vào các công nghệ cốt lõi của nhận dạng giọng nói.

Tháng 11 năm 2019, Daniel chuyển đến Bắc Kinh và gia nhập Phòng thí nghiệm AI của Tập đoàn Xiaomi với vai trò Giám đốc khoa học mảng giọng nói.

Sau khi gia nhập Xiaomi, Daniel đã dẫn dắt đội ngũ ra mắt thế hệ dự án mã nguồn mở Kaldi mới (bao gồm 4 dự án con: k2 / Lhotse / Icefall / Sherpa), liên tục đạt được những tiến bộ mang tính cột mốc trong lĩnh vực nhận dạng và tổng hợp giọng nói:

Bộ mã hóa Zipformer & Zapformer: Zipformer là bộ mã hóa giọng nói đầu tiên vượt qua Google Conformer một cách nghiêm ngặt, được chấp nhận là bài báo Oral tại ICLR 2024 (nằm trong top 1,2%); phiên bản nâng cấp Zapformer năm 2026 tiếp tục cải thiện độ chính xác nhận dạng thêm 10%-15%, tăng cường đáng kể tính ổn định và khả năng tổng quát hóa khi huấn luyện.

OmniVoice đa ngôn ngữ TTS: Năm 2026, ra mắt mô hình tổng hợp giọng nói zero-shot OmniVoice hỗ trợ hơn 600 ngôn ngữ/phương ngữ (0,8 tỷ tham số, khởi tạo từ Qwen3). Chỉ cần 3-10 giây âm thanh tham chiếu là có thể sao chép âm sắc xuyên ngôn ngữ. Mô hình đạt chuẩn SOTA trên các benchmark Seed-TTS / LibriSpeech-PC tiếng Trung và tiếng Anh, vượt qua các mô hình thương mại như MiniMax và ElevenLabs trong các bài kiểm tra khách quan. Sau 3 tháng mở mã nguồn, mô hình đã đạt hơn 5 triệu lượt tải xuống trên Huggingface.

CR-CTC (Consistency-Regularized CTC): Được chấp nhận tại ICLR 2025, giúp hiệu suất của mô hình CTC thuần túy sánh ngang với Transducer, thiết lập lại chuẩn SOTA trên các benchmark như LibriSpeech / AISHELL-1 / GigaSpeech, giảm đáng kể rào cản trong việc huấn luyện và triển khai ASR.

ZipVoice tổng hợp giọng nói zero-shot: Dựa trên nền tảng Flow Matching + Zipformer, ra mắt ZipVoice (TTS zero-shot đơn người nói) và ZipVoice-Dialog (TTS đối thoại zero-shot). Mô hình có số lượng tham số ít, suy luận nhanh, đơn luồng CPU có thể đạt thời gian thực, đồng thời mở mã nguồn kèm theo tập dữ liệu OpenDialog.

Triển khai toàn nền tảng sherpa-onnx: Công cụ suy luận tích hợp đầu cuối-đám mây của thế hệ Kaldi mới - sherpa-onnx, hỗ trợ các NPU phổ biến như Qualcomm / Ascend / Rockchip, bao phủ Android / iOS / nhúng / máy chủ, được các nhà phát triển gọi là "con dao đa năng của lĩnh vực giọng nói thông minh".

Tuyên bố quảng cáo: Các liên kết ngoài (bao gồm nhưng không giới hạn ở siêu liên kết, mã QR, mật khẩu, v.v.) có trong bài viết được sử dụng để truyền tải thêm thông tin và tiết kiệm thời gian chọn lọc, kết quả chỉ mang tính chất tham khảo. Tất cả các bài viết của IT đều bao gồm tuyên bố này.