Treble Technologies 与 Hugging Face 联合发布了 FFASR Leaderboard，这是首个开放的、社区驱动的远场语音识别（ASR）基准测试平台。

它的核心痛点很明确：当前主流的 ASR 评测（如 LibriSpeech）基于近场（近距离麦克风）的干净语音，但这与真实世界（如会议室、车内、机器人）中充满混响、噪音和远距离麦克风的环境严重脱节。模型在标准测试集上表现优异，但一部署到真实房间，性能往往大幅下降。

FFASR 试图量化这一差距。评测数据由 Treble 的混合仿真引擎生成，该引擎结合了低频波法求解器与高频几何声学建模，能模拟衍射、散射和模态行为，比简单的声学仿真更贴近真实测量。基准包含 14 个完全布置家具的房间（20-470 立方米，涵盖浴室、客厅、办公室等），每个场景包含一个目标说话人（在消声室录制以避免录音环境混响）和最多三个噪声源，并在三个信噪比（SNR）等级下进行评测。

评测的核心指标是 WER（词错误率），并按四种条件排名：近场（干声）、远场高SNR（>14dB）、远场中SNR（8-12dB）、远场低SNR（<6dB）。此外还有 Lab Measured 和 Lab Simulated 两列用于仿真-实测验证，以及一个处于测试阶段的移动声源评估。

已提交的模型展现出清晰的模式：远场条件下的 WER 普遍比近场高出数倍，且随 SNR 降低差距急剧扩大。同时，该评测还统一在 NVIDIA L4 GPU 上报告 RTFx（每秒推理的音频秒数），并绘制了 WER 与 RTFx 的帕累托前沿图，让开发者可以直观看到不同模型在精度与速度之间的实际权衡。

提交流程很简单：提交 Hugging Face 模型 ID 即可进行服务端评估，支持 Whisper、Wav2Vec2、HuBERT、SpeechBrain 等主流架构。对于复杂的推理链（如语音增强+ASR），可自定义评估函数。测试集包含 2000 个消声室语音样本，在 14 个房间和 3 个 SNR 等级下生成，总计约 8 小时/条件，音频不对外公开以防止测试集污染。

未来规划包括多说话人场景、麦克风阵列评估和回声消除，具体方向取决于社区反馈。