arXiv cs.AI· Zhiwei Lin, Kaiqi Fu, Rime Wen, Zehan Liu, Shawn Qin, Roy Gan, Hao Wang·· 9 天前AI 评分24
X2Streaming-ASR：不确定就等待，准备好就输出，实现低延迟流式 ASR
X2Streaming-ASR: wait when uncertain, emit when ready for streaming ASR
AI 导读
X2Streaming-ASR 将流式语音识别拆解为"何时提交"与"提交什么"，通过三阶段训练（先建立流式识别能力，再用自动探测轨迹热启动提交策略，最后用字符级、分段分配的分组相对奖励优化准确率与延迟）。在十个中英文测试集上，其平均提交延迟相对强制对齐端点最低，中文为 32–109ms、英文为 12–85ms，识别准确率与现有系统相当。
正文 · AI 翻译
摘要：面向实时语音代理和全双工对话的流式自动语音识别（ASR）必须提供准确的中间转写结果，并具有较低的提交延迟。现有系统通常采用固定的分块大小、前瞻或目标延迟，或鼓励在估计的声学边界附近输出。这些方法并未在单遍、硬提交约束下直接优化每个输出位置应使用多少额外上下文。我们提出 X2Streaming-ASR，将流式识别分解为何时提交和提交什么。其三段式训练流程首先建立流式识别能力，然后用自动探测的轨迹对提交策略进行热启动，最后使用字符级、按片段分配的分组相对奖励，针对识别准确率和延迟对策略进行精调。在十个中文和英文测试集上，X2Streaming-ASR 相对于强制对齐端点取得了最低的平均提交延迟，中文字符为 32--109ms，英文单词为 12--85ms，同时识别准确率与现有系统相当。
| 学科： | 声音（cs.SD）；人工智能（cs.AI） |
| 引用为： | arXiv:2609.08672 [cs.SD] |
| （或使用 arXiv:2609.08672v3 [cs.SD] 查看此版本） | |
| https://doi.org/10.48550/arXiv.2609.08672 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Zhiwei Lin [查看电子邮件]
[v1]
2026年9月8日星期二 12:39:06 UTC（149 KB）
[v2]
2026年9月15日星期二 09:12:31 UTC（152 KB）
[v3]
2026年10月8日星期四 06:19:33 UTC（157 KB）
来源：arXiv cs.AI · arxiv.org