尽管联合语音识别（ASR）和口音识别（AR）训练已被证明对处理多口音场景有效，但当前的多任务ASR-AR方法忽视了任务之间的粒度差异。细粒度单元（如音素、声韵母）可用于捕获与发音相关的口音特征，而粗粒度单元（如词，BPE）更适合学习语言信息。此外，两个任务的显式交互也可以提供互补信息并改善彼此的性能，但现有方法很少使用。 近期，由西工大音频语音与语言处理研究组（ASLP@NPU）和腾讯TEG