# 连接时序分类

跨天使用皮层内语音解码器时，神经信号漂移会让固定解码器变差。一项研究把适配限制在神经输入端的256×256仿射变换与偏置上，只更新65792个参数（不到完整模型的0.05%），循环编码器和音素分类器保持冻结，用40或80个带标签试次做监督校准。在公开数据集T12的六个按时间留出的会话上，音素错误率相对下降11.37%和15.51%，六个会话在三个随机种子下全部改善；在独立数据集T15上，同样冻结的校准规则带来2.72%和10.05%的下降，但会话间差异更大，两个预算的名义检验都未低于0.05参考阈值。

跨天使用皮层内语音解码器时，神经信号漂移会让固定解码器变差。一项研究把适配限制在神经输入端的256×256仿射变换与偏置上，只更新65792个参数（不到完整模型的0.05%），循环编码器和音素分类器保持冻结，用40或80个带标签试次做监督校准。在公开数据集T12的六个按时间留出的会话上，音素错误率相对下降11.37%和15.51%，六个会话在三个随机种子下全部改善；在独立数据集T15上，同样冻结的校准规则带来2.72%和10.05%的下降，但会话间差异更大，两个预算的名义检验都未低于0.05参考阈值。

Oído把开放词表英语语音识别整体放到一块5美元的ESP32-S3上运行，该芯片没有神经加速器。此前这类微控制器只能做关键词唤醒或固定命令表，而13M参数的Conformer-CTC模型在int8下占14.0 MB，既装不进512 KB片上SRAM，也只能部分放进PSRAM。引擎按闪存与PSRAM带宽安排执行顺序，在LibriSpeech test-clean/test-other上得到3.70%/8.23%的词错误率，与全精度相差0.12个百分点以内，在同一芯片上错误数比厂商识别器少1.8–2.8个；实测单核运行时间为音频时长的1.97倍，尚不是实时。

Oído把开放词表英语语音识别整体放到一块5美元的ESP32-S3上运行，该芯片没有神经加速器。此前这类微控制器只能做关键词唤醒或固定命令表，而13M参数的Conformer-CTC模型在int8下占14.0 MB，既装不进512 KB片上SRAM，也只能部分放进PSRAM。引擎按闪存与PSRAM带宽安排执行顺序，在LibriSpeech test-clean/test-other上得到3.70%/8.23%的词错误率，与全精度相差0.12个百分点以内，在同一芯片上错误数比厂商识别器少1.8–2.8个；实测单核运行时间为音频时长的1.97倍，尚不是实时。

该工作提出 Align Then Reason（ATR），先用候选文本音素与帧级唇部表征之间的单调 CTC 对齐打分器提供逐音素软 token 与校准后的全局对齐分数，再由 LLM 推理器输出 Yes/No 判断与简短解释，在七语言基准上把 Qwen3.5-9B 的平均 AUC 从 0.610 提升到 0.920，并在三个未见 MuAViC 语言和两个真实配音下游任务上取得提升。

该工作提出 Align Then Reason（ATR），先用候选文本音素与帧级唇部表征之间的单调 CTC 对齐打分器提供逐音素软 token 与校准后的全局对齐分数，再由 LLM 推理器输出 Yes/No 判断与简短解释，在七语言基准上把 Qwen3.5-9B 的平均 AUC 从 0.610 提升到 0.920，并在三个未见 MuAViC 语言和两个真实配音下游任务上取得提升。