FireRedASR2S: A State-of-the-Art Industrial-Grade All-in-One Automatic Speech Recognition System

FireRedASR2S 论文核心总结 + 关键章节翻译

一、核心内容总结

1. 系统定位

FireRedASR2S 是小红书 Super Intelligence 团队提出的工业级一体化自动语音识别系统，将 ASR、VAD、语种识别LID、标点预测Punc 四大模块统一在一条流水线，支持端到端从音频波形到带标点、时间戳、语种标签的结构化转录输出，各模块可独立部署。

2. 四大核心模块

• FireRedASR2（语音识别）
  双版本：LLM版（8B+参数） 追求高精度；AED版（1B+参数） 兼顾精度与效率。
  支持普通话、方言/口音、英语、中英混说、歌声转写；训练数据从7万小时扩至20万小时，AED版新增CTC分支支持词级别时间戳。
• FireRedVAD（语音活动检测）
  基于DFSMN的超轻量模型（0.6M参数），支持流式/非流式/多标签VAD（区分语音、歌声、音乐），采用人工标注事件数据训练，复杂声学环境更鲁棒。
• FireRedLID（语种/方言识别）
  Encoder‑