arXiv cs.CL· Daniel Huang, Qi He, Shaoxiong Duan, Yingjie Li, Qiao Cheng, Yitao Duan·· 10 小时前AI 评分40
Confucius4-R2T2：面向真实实时转写的稳定前缀流式 ASR 模型
Confucius4-R2T2: A Stable-Prefix Streaming ASR Model for Real Real-Time Transcription
AI 导读
Confucius4-R2T2 是一个稳定前缀流式 ASR 模型，输出后不再修改已生成的 token，同时保持高准确率与低延迟。它在 1,500 小时中英文音频上对 Qwen3-ASR-1.7B 做后训练，冻结预训练音频编码器与投影层，基于新提出的 Longest Stable Prefix（LSP）概念实现，无需改动架构。
正文 · AI 翻译
摘要：流式语音识别正越来越多地被机器所使用，例如翻译器和语音智能体，它们会在每个 token 出现时立即对其做出处理。若某个 token 随后被修改，就会造成无效工作或错误操作。在本工作中，我们提出 Confucius4-R2T2（Real Real-Time Transcription 的简称），这是一种稳定前缀流式 ASR 模型，它在保持高准确率和低延迟的同时，从不修改其先前的输出。R2T2 通过在 1,500 小时中英文音频上对 Qwen3-ASR-1.7B 进行后训练得到，同时冻结其预训练的音频编码器和投影器。该适配基于最长稳定前缀（Longest Stable Prefix，LSP）这一概念，这是我们在本工作中引入的新概念。我们证明 LSP 在前缀顺序下是单调的，与全音频输出一致，并且在等于某个完整先前输出的标签中是最大的。从 LSP 标签中学习，可将全上下文模型转换为稳定前缀流式模型，而无需任何架构改动。大量评估表明，R2T2 使流式识别接近基础模型的全上下文质量，同时以较低的发射延迟提供稳定文本。其收益还扩展到后训练语言之外，展示了从全上下文 ASR 到稳定流式的实用路径。我们在 此 https URL 和 此 https URL 开源了模型权重和代码。
| 注释： | 30 页，6 幅图，8 张表。代码和模型权重可在 此 https URL 和 此 https URL 获取 |
| 主题： | 计算与语言（cs.CL）；人工智能（cs.AI）；声音（cs.SD） |
| 引用为： | arXiv:2611.06043 [cs.CL] |
| （或此版本的 arXiv:2611.06043v1 [cs.CL]） | |
| https://doi.org/10.48550/arXiv.2611.06043 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Daniel Huang [查看电子邮件]
[v1]
2026 年 11 月 4 日星期三 06:46:50 UTC（318 KB）
来源：arXiv cs.CL · arxiv.org