論文の概要: Confucius4-R2T2: A Stable-Prefix Streaming ASR Model for Real Real-Time Transcription

• arxiv url: http://arxiv.org/abs/2611.06043v1
• Date: Wed, 04 Nov 2026 06:46:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 03:25:58.002699
• Title: Confucius4-R2T2: A Stable-Prefix Streaming ASR Model for Real Real-Time Transcription
• Title（参考訳）: Confucius4-R2T2:リアルタイムなリアルタイム転写のための安定型プレフィックスストリーミングASRモデル
• Abstract要約: 高い精度と低レイテンシを保ちながら、初期出力を決して変更しない安定したストリーミングASRモデルを提案する。 この適応は、我々が本研究で導入した新しい概念であるLongest Stable Prefix (LSP)の概念に基づいている。 R2T2は,低出力ラグで安定したテキストを提供しながら,ベースモデルのフルコンテキスト品質に近いストリーミング認識を実現する。
• 参考スコア（独自算出の注目度）: 11.762056658789326
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Streaming speech recognition is increasingly consumed by machines, such as translators and voice agents, that act on each token as it appears. A token that is later revised costs wasted work or a wrong action. In this work, we present Confucius4-R2T2 (short for Real Real-Time Transcription), a stable-prefix streaming ASR model that never modifies its earlier output while maintaining high accuracy and low latency. R2T2 is obtained by post-training Qwen3-ASR-1.7B on 1,500 hours of Chinese and English audio while freezing its pre-trained audio encoder and projector. The adaptation is based on the concept of Longest Stable Prefix (LSP), a new notion that we introduce in this work. We prove that LSP is monotone under the prefix order, consistent with the full-audio output, and maximal among labels that equal a whole earlier output. Learning from LSP labels converts a full-context model into a stable-prefix streaming one without any architectural change. Extensive evaluations show that R2T2 brings streaming recognition close to the base model's full-context quality while delivering stable text with low emission lag. Its gains extend beyond the post-training languages, demonstrating a practical path from full-context ASR to stable streaming. We open-source the model weights and code at https://huggingface.co/netease-youdao/Confucius4-R2T2 and https://github.com/netease-youdao/Confucius4-R2T2.
• Abstract（参考訳）: 音声認識のストリーミングは、トランスレータや音声エージェントなどの機械によってますます消費され、それぞれのトークンにそのように見えるように作用する。 後に修正されたトークンは、作業や間違ったアクションを無駄にします。 本研究では,高速かつ低レイテンシを保ちながら初期出力を決して変更しない安定型プレフィックスストリーミングASRモデルであるConfucius4-R2T2(Real Real-Time Transcription の略)を提案する。 R2T2は、事前訓練されたオーディオエンコーダとプロジェクタを凍結しながら、1500時間分の中国語と英語のオーディオでQwen3-ASR-1.7Bを後処理することで得られる。 この適応は、我々が本研究で導入した新しい概念であるLongest Stable Prefix (LSP)の概念に基づいている。 LSPはプレフィックス順序の下で単調であり、全音響出力と一致し、全ての先行出力と等しいラベル間の最大値であることを示す。 LSPラベルから学んだことは、アーキテクチャの変更なしに、フルコンテキストモデルを安定したプレフィックスのストリーミングモデルに変換する。 大規模な評価では、R2T2はベースモデルのフルコンテキスト品質に近いストリーミング認識を実現すると同時に、低出力ラグで安定したテキストを提供する。 トレーニング後の言語を超えて、フルコンテキストのASRから安定したストリーミングへの実践的なパスを示す。 モデルはhttps://huggingface.co/netease-youdao/Confucius4-R2T2とhttps://github.com/netease-youdao/Confucius4-R2T2でオープンソース化しました。

関連論文リスト

• Enabling Streaming User Transcription in Full-Duplex Speech-to-Speech Models [54.83270723528963]
  本稿では,既存のS2Sモデルにストリーミング機能を追加する手法を提案する。 我々のアプローチでは、最小限の追加パラメータが必要であり、ベースS2Sモデルに大きな変更はない。
  論文  参考訳（メタデータ） (2026-09-14T15:44:18Z)
• Typhoon ASR Streaming: Steerable Low-Latency Thai Speech Recognition with Real-Time Shallow Fusion [2.6499147105354077]
  Open Thai Automatic Speech Recognition (ASR) は、オフラインのWhisperベースのモデルによって支配されている。 本稿では,タイ語ASRをストリーミングするデプロイ可能なシステムを提案する。
  論文  参考訳（メタデータ） (2026-09-14T03:53:52Z)
• TontaubeV1: Streaming Text-to-Speech with Hierarchical Codec Modeling and Bounded Context [0.04583541422554719]
  TontaubeV1は、単一のコンシューマGPUからのストリーミングを可能にしながら、自然な韻律を保存するモデルである。 本設計では,セマンティックストリームの生成時に,韻律構造がほぼ確立されていると仮定する。 このモデルは、音声コンディショニングのために最大1分間のレファレンスオーディオを受け入れ、主に英語とドイツ語向けに設計されている。
  論文  参考訳（メタデータ） (2026-09-08T13:03:46Z)
• Speech Meets ELF: Audio Conditional Continuous-Target Diffusion for Speech Recognition and Translation [48.98480497536377]
  ELF-S2Tは,音声からテキストへの連続ターゲット生成モデルである。 ELF-S2Tは凍結したウィスパーエンコーダと1つの線形プロジェクタを介して音声を処理する。 LibriSpeechとCoVoST2の実験により、ELF-S2Tは競争力のあるASRとS2TTの性能を達成することが示された。
  論文  参考訳（メタデータ） (2026-06-09T03:27:30Z)
• RelayS2S: A Dual-Path Speculative Generation for Real-Time Dialogue [11.153295574224634]
  RelayS2Sは、ターン検出時に並列に2つのパスを実行するハイブリッドアーキテクチャである。 ライトウェイト学習検証器は、ハンドオフをゲートし、適切な場合にはプレフィックスをコミットし、遅路のみに優雅に後退する。
  論文  参考訳（メタデータ） (2026-03-24T15:43:58Z)
• Voxtral Realtime [134.66962524291424]
  Voxtral Realtimeはストリーミング自動音声認識モデルである。 オフラインの書き込み品質は、秒以下のレイテンシで一致します。 私たちはApache 2.0ライセンスの下でモデルウェイトをリリースしています。
  論文  参考訳（メタデータ） (2026-02-11T19:17:10Z)
• StreamMel: Real-Time Zero-shot Text-to-Speech via Interleaved Continuous Autoregressive Modeling [50.537794606598254]
  StreamMelは、継続的メル-スペクトログラムをモデル化する、先駆的なシングルステージストリーミングTSフレームワークである。 高い話者類似性と自然性を保ちながら、低レイテンシで自己回帰的な合成を可能にする。 オフラインシステムに匹敵するパフォーマンスを実現し、効率的なリアルタイム生成もサポートしている。
  論文  参考訳（メタデータ） (2025-06-14T16:53:39Z)
• CosyVoice 2: Scalable Streaming Speech Synthesis with Large Language Models [74.80386066714229]
  改良されたストリーミング音声合成モデルCosyVoice 2を提案する。 具体的には,音声トークンのコードブック利用を改善するために,有限スカラー量子化を導入する。 我々は,様々な合成シナリオをサポートするために,チャンク対応因果フローマッチングモデルを開発した。
  論文  参考訳（メタデータ） (2024-12-13T12:59:39Z)
• Token-Level Serialized Output Training for Joint Streaming ASR and ST Leveraging Textual Alignments [49.38965743465124]
  本稿では,単一デコーダを用いて自動音声認識(ASR)と音声翻訳(ST)出力を共同生成するストリーミングトランスデューサを提案する。 単言語および多言語設定の実験は、我々のアプローチが最高の品質とレイテンシのバランスを達成することを示す。
  論文  参考訳（メタデータ） (2023-07-07T02:26:18Z)
• Transformer Transducer: One Model Unifying Streaming and Non-streaming Speech Recognition [16.082949461807335]
  本稿では,Transformer-Transducerモデルアーキテクチャと,ストリーミングおよび非ストリーミング音声認識モデルを1つのモデルに統合するためのトレーニング手法を提案する。 私たちは、このモデルを低レイテンシと高レイテンシモードで、上位層を並列に実行するYモデルアーキテクチャで実行できることを示します。 これにより、レイテンシが制限されたストリーミング音声認識結果と、精度を大幅に向上した遅延音声認識結果が得られる。
  論文  参考訳（メタデータ） (2020-10-07T05:58:28Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。