开发与工具

使用 ExecuTorch 优化 Arm 边缘设备上的流式语音识别

Optimizing Streaming Speech Recognition on Arm® Edge Devices with ExecuTorch

PyTorch Blog发布于 10月27日 1 分钟阅读

专题配图图片仅供信息参考图片仅供参考版权归原作者

摘要

当你与设备通话时，你希望文本在你说话的时候出现。这使得流媒体自动语音识别(ASR)成为不同于批处理转录的挑战，后者的模型...

当你与设备通话时，你希望文本在你说话的时候出现。这使得流媒体自动语音识别(ASR)成为不同于批量转录的挑战，后者模型在开始之前拥有完整的录音。强大的批次准确性并不一定会延续到流媒体中。一项跨模型的ASR研究说明了这一差距。在测试的模型中，Qwen3-ASR-1.7B获得了最好的批量准确率，但当使用2.4秒的音频块进行评估时，其错误率(WER)上升了77%。在这项研究的跨模型流比较中(表5)，当操作超过560毫秒的音频块时，NVIDIA®Nemotron Speech Streaming 0.6B的平均流WER最低。…

原始资料

PyTorch Blog · 中文编译 · 正文节选

查看来源原文产品参数、测试条件及最新修订以来源原文为准。