論文地址：https://arxiv.org/abs/2107.09428

摘要

非自回歸 (NAR) 模型在語音處理中越來越受到關注。 憑借最新的基于注意力的自動語音識別 (ASR) 結構，與自回歸 (AR) 模型相比，NAR 可以在僅精度略有下降的情況下實現有前景的實時因子 (RTF) 提升。 然而，識別推理需要等待完整語音話語的完成，這限制了其在低延遲場景中的應用。 為了解決這個問題，我們提出了一種新穎的端到端流式 NAR 語音識別系統，該系統結合了分塊注意力和帶有掩碼預測 (Mask-CTC) NAR 的連接主義時間分類。 在推理過程中，輸入音頻被分成小的塊，然后以分塊流式的方式進行處理。 為了解決每個塊輸