语音识别-流式和非流式实现方式

原创

已于 2025-09-26 17:00:53 修改 · 997 阅读

CC 4.0 BY-SA版权

文章标签：

于 2025-09-26 16:53:25 首次发布

特性	非流式识别实现	流式识别实现
模型架构	全局上下文模型（如：Transformer，全序列 BERT）	流式兼容模型（如：RNN-T，Chunk-Based Transformer，流式 CTC）
注意力机制	全局注意力：可关注整个音频序列的任何部分	Chunk 注意力/单调注意力：只能关注过去和有限未来的音频块
解码策略	离线解码：完全句子的束搜索（Beam Search），可前向后向优化	流式解码：实时束搜索或贪心解码，可能结合右边界检测
数据流处理	整段输入：处理完整的音频文件或语音段	Chunk 流输入：将音频切成小块（如：每 100ms）进行增量处理
输出方式	一次性输出：最终最优结果