arXiv cs.CL· Sahil Mahendrakar·· 10 小时前AI 评分42
Earlybird：29M 参数的预测式流式语音识别模型
Earlybird: Predictive Streaming Speech Recognition in 29M Parameters
AI 导读
Earlybird 是一个 29M 参数（4 bit 量化后 16.8 MB）的流式语音识别模型，能在说话人说完单词前就预测出该词。在 LibriSpeech test-clean 上，中位单词比说话人说完提前 90 ms 被正确预测，而已发布的流式模型要滞后 90 至 400 ms。在全部六个测试集上它都是最早输出的一方，同套有声书上 69% 的单词在结束前被正确预测，其他模型仅 3-25%。
正文 · AI 翻译
摘要：流式语音识别器只有在说话人说完一个词之后才会输出该词，通常要晚 90-400 毫秒。对于语音智能体来说，每一毫秒都很重要：词输出得越早，智能体就能越早开始搜索或规划回复。我们提出 Earlybird，一个 29M 参数的流式识别器（4 位量化下为 16.8 MB）。Earlybird 从随机截断的音频中学习，包括在词中间截断的情况，并被要求完整预测到那时为止应出现的每个词，外加对接下来两个词的猜测。其原始 token 概率为每个词给出置信度，包括仍在说出的那个词。在干净的有声书语音（LibriSpeech test-clean）上，中位数词在说话人说完前 90 毫秒就被正确预测，而已发布的流式模型要在词结束后 90 到 400 毫秒才得到它。在我们计时的全部六个测试集上，Earlybird 都是最早的，涵盖有声书、TED 演讲、公开演讲、财报电话会议和合成语音。在同样的有声书上，69% 的词在结束前就被正确预测，而其他模型为 3-25%。对于仍在说出的词，置信度经过校准，期望校准误差（ECE）为 3.7 到 5.5。在八个英语 Open ASR Leaderboard 测试集上，它在每个测试集上都比 Moonshine Tiny 更准确，并与同尺寸模型 Whistle 大致持平。
| 评论： | 9 页，3 幅图，6 张表。模型：此 https URL |
| 主题： | 声音（cs.SD）；计算与语言（cs.CL）；音频与语音处理（eess.AS） |
| 引用为： | arXiv:2611.14421 [cs.SD] |
| （或 arXiv:2611.14421v1 [cs.SD] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.14421 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Sahil Mahendrakar [查看邮箱]
[v1]
2026 年 11 月 10 日星期二 17:59:28 UTC（15 KB）
来源：arXiv cs.CL · arxiv.org