X2Streaming-ASR流式语音识别方法研究

2026年10月15日，arXiv Artificial Intelligence 刊出由 Zhiwei Lin 等作者提出的 X2Streaming-ASR 流式语音识别方法。该方法将流式语音识别拆解为“何时提交”与“提交什么”两个问题，并采用三阶段训练：先建立流式识别能力，再用自动探测轨迹热启动提交策略，最后以字符级、分段分配的分组相对奖励优化识别准确率与延迟。据该报道，在十个中英文测试集上，X2Streaming-ASR 相对强制对齐端点的平均提交延迟最低，中文为 32–109ms、英文为 12–85ms，识别准确率与现有系统相当。上述延迟与准确率结论均限于该报道所述的十个中英文测试集及强制对齐端点比较条件，论文链接见原文。目前该事件仅有这一篇报道，尚无后续跟进或相互矛盾的说法。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。