語音 AI
AgenticASR 以滑動視窗反覆修訂轉錄，1B Refiner 將雙語評測推至 79.95 分
AgenticASR 把語音辨識與文字整理拆開，讓小型 Refiner 隨新語音重寫有限範圍的既有輸出，而不必反覆處理完整逐字稿。程式、檢查點與 917 題中英雙語基準已公開，但主要音訊由語音合成產生，評分也依賴 LLM 裁判。
傳統串流 ASR 追求逐字忠實，通常會保留贅詞、口吃、重複與說話者後來撤回的內容；若再逐段交給語言模型潤飾，模型又可能看不到後續修正線索。7 月 30 日公開的 AgenticASR 採用解耦式 ASR–Refiner 架構：前端辨識器持續產生文字，Refiner 則把最近數個來源區塊合併後重新生成乾淨文字，直接替換相對應的既有輸出區段。
預設系統只保留三個活動區塊，因此計算量取決於滑動視窗，而不是整段音訊長度。Refiner 由 MiniCPM-5-1B 初始化，以 10 萬組合成的口語／書面文字對進行全參數微調；研究也分別接上 Qwen3-ASR 與三種 Whisper 規模，顯示這一層不必綁定特定辨識器。公開串流實作整合 VAD、sherpa-onnx、穩定分塊與 MLX-LM，本機後端目前以 macOS 為主。
團隊同時發布 AASR-Bench，包含 917 個中英文樣本與 6,637 項原子規則，分別檢查內容保存、格式正規化、贅詞過濾及自我修正。Qwen3-ASR-1.7B 搭配 AgenticASR 得到 79.95 分，高於使用 Qwen3.5-Flash 後處理的 69.93 分與直接生成正式文字的 FormalASR 52.50 分；平均端到端延遲為 9.59 秒，API 後處理基線約 60.89 秒。作者另稱五種 ASR 前端均有改善，但弱 Whisper 前端的內容保存仍落後 API 基線。
限制在於多數測試音訊由 TTS 合成，只有 16.36% 人工錄製；規則由 Qwen3.7-Plus生成、Gemma-4-31B-IT 判分，仍可能帶入模型偏差。工程團隊下一步應驗證真實會議中的重疊語音、口音、噪音與超長串流，並量測修訂文字造成游標跳動或下游指令反覆觸發的產品風險。