跳到主要内容
检索

# 流式自动语音识别

2 篇关联报道

订阅更新
  1. arXiv

    5美元芯片跑开放词表语音识别：13M参数模型留在闪存，同芯片上错误数比厂商方案少1.8–2.8个

    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。

    Daniel Varela Sánchez（第一作者）
    Oído 推理引擎语音识别训练后量化流式自动语音识别连接时序分类
  2. arXiv

    F-DSM 将等待概率与文本词表分布分解，在日语与英语流式识别上优于 DSM 并降低显存占用

    该工作先证明在延迟流建模（DSM）中可以移除填充 token 而保持有竞争力的识别性能，进而提出因子化 DSM（F-DSM），把等待概率与原始 LLM 词表分布分离，从而将 ASR 专用 token 移出文本预测空间并在等待步跳过大规模词表 softmax；在 Corpus of Spontaneous Japanese 与 LibriSpeech 上的实验显示 F-DSM 识别性能优于 DSM，同时大幅降低 GPU 显存占用、保持相近训练吞吐、通过 softmax 跳过带来小幅推理加速，并减轻 DSM 中出现的纯文本困惑度退化。

    Toyohashi University of Technology
    Tatsunari Takagi（第一作者）
    因子化延迟流建模延迟流建模流式自动语音识别

已读完全部报道