在流式自动语音识别 (ASR) 中，通常需要在性能和延迟之间进行权衡。传统方法，例如前瞻和基于块的方法，通常需要来自未来帧的信息来提高识别精度，即使计算速度足够快，也会产生不可避免的延迟。在没有任何未来帧的情况下进行计算的因果模型可以避免这种延迟，但其性能明显低于传统方法。在本文中，我们提出了相应的修正策略来改进因果模型。首先，我们引入了一种实时编码器状态修正策略来修改以前的状态。编码器前向计算在接收到数据后开始，并在几帧后修改先前的编码器状态，无需等待任何正确的上下文。此外，设计了一种CTC尖峰位置对齐解码算法，以降低修订策略带来的时间成本。实验都是在 Librispeech 数据集上进行的。在基于 CTC 的 wav2vec2.0 模型上进行微调，我们的最佳方法可以在 test-clean/other 集上达到 3.7/9.2 WER，这也与基于块的方法和知识蒸馏方法具有竞争力。



"点击查看英文标题和摘要"