本文探讨语音识别在多人环境中“听对人”的挑战，即区分用户与背景人声。对比两种技术路线：基于身份注册的Target-Speaker ASR和基于场景线索的前景说话人转录，强调数据构造需明确时间、能量、空间关系，模型应学会选择交互主体而非单纯降噪，推动ASR从内容识别走向场景理解。