英文题目：StreamAlign: Streaming Text-Aligned Speech Tokenization
标签：#语音编码 | #向量量化 | #流式处理 | #语音
评分：7.3/10 | 创新 1.6/2 | 技术严谨 1.2/1.5 | 实验充分 1.3/1.5 | 清晰度 0.8/1 | 影响力 1.1/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 1/1.5
👥 作者与机构
- Kang-wook Kim：Seoul National University；University of California, Berkeley
- Jinyoung Park：Seoul National University
- Jinsoo Kim：Seoul National University；KRAFTON
- Sehun Lee：Seoul National University；KRAFTON
- Sang Hoon Woo：Seoul National University；Georgia Institute of Technology
- Gunhee Kim：Seoul National University
📌 核心摘要
流式语音交互需将逐块输入语音直接转为与大语言模型子词一一对齐的离散单元再重建波形，难点在于离线识别需等待完整话语且识别词表与模型词表失配会把声学粒度从子词粗化到词级。StreamAlign先由流式编码器输出语义与声学帧特征，并由冻结流式词级识别给出词假设再转写为字符序列作为引导。接着字符级循环神经网络转导器对帧特征与字符序列做维特比解码得到帧到字符单调对齐，再按大语言模型分词器切分的子词划分声学帧块，经注意力池化聚合成子词嵌入并经残差向量量化离散为单元三元组。同时轻量词边界分类器基于联合网络状态预判块尾单词是否完整以决定立即冲刷或延迟到下一块，重建时由单元预测器生成帧级语音单元再经流式声码器合成波形。相对已有离线文本对齐方法，该设计以词汇无关字符为中间粒度，既继承词级识别精度又保留子词级声学细节，并将等待下词起始改为边界预测从而降低流式延迟。在LibriSpeech test-clean测试集下，StreamAlign的WER为4.41，低于Mimi的4.82。其结论适用边界受限于英语朗读训练与评测，对自发对话与多语码切换尚未验证，且对齐质量仍受引导识别器误差制约。推理开销方面分词与下游模型合计端到端实时因子为0.350且块级延迟降至270毫秒，仍高于纯声学流式编码器但以更低单元率换取序列效率。
🔗 开源与复现资源
第三方资源：https://huggingface.co/OpenMOSS-Team/SpeechTokenizer — 暂时无法访问
第三方资源：https://huggingface.co/novateur/WavTokenizer — 暂时无法访问
第三方资源：https://huggingface.co/kyutai/mimi — 暂时无法访问
第三方资源：https://huggingface.co/Ereboas/MagiCodec_16k_50hz — 暂时无法访问
第三方资源：https://huggingface.co/Qwen/Qwen3-TTS-Tokenizer-12Hz — 暂时无法访问
第三方资源：https://huggingface.co/MediaTek-Research/Llama-1B-TASTE-V0 — 暂时无法访问
第三方资源：https://huggingface.co/amphion/TaDiCodec — 暂时无法访问
可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。
🧭 深度解读
输入是什么，目标是什么，这篇解读要保留什么？
这篇解读的输入是论文给出的流式文本对齐语音切分方法，目标是让刚进入语音与语言模型交叉方向的研究生能复述从语音块到离散单元再到波形的完整动作。必须保留的信息包括实验条件、监督来源、冻结与更新关系、延迟定义和指标方向，不能只记结论数字。输出是一条可核对的链路：每个语音块如何编码、如何得到字符对齐、如何按大模型子词聚合量化、如何重建、如何训练语言模型，以及在什么数据和基线下比较。
语音在这里是连续波形按时间展开的信号，文本是离散子词序列，两者时间分辨率和切分边界天然不一致。早期口语语言模型直接预测声学码，序列很长且难以继承文本大模型的语义能力。把语音压缩到与文本 1 对 1 对齐的序列，可以让联合建模长度与纯文本一致，这是文本对齐切分的核心动机。但已有做法依赖离线识别，必须等整句说完才能切分，且识别词表与大模型词表不一致，只能先做到词级再复制到子词，丢失子词内细节。
本文要解决的正是流式推进与细粒度保留的矛盾。
同输入同目标的路线有哪些，运行阶段有何不同？
按同输入、同目标、同监督来划分，相关路线可分为 3 类。第一类是纯语音切分加语音建模，输入只有语音，目标是重建和延续，监督来自重建本身，运行可流式但序列长，与文本语义关联弱。第二类是语音文本交错或双流建模，输入是语音加文本，目标是联合生成，监督来自两路自回归，运行仍需处理语音帧率序列，长度开销大。
第 3 类是文本对齐切分，输入是语音加对应文本，目标是得到与文本等长的离散语音表示，监督来自识别与重建，运行在已有工作中多为离线，需要整句音频和离线转写。StreamAlign 属于第 3 类，但把运行阶段改为流式。它与并发的流式对齐工作区别在于块长度和延迟要求，原文指出并发工作至少需要 10 秒级长音频块，不满足实时交互约束，且无开源实现故未纳入比较。
基线中的非流式切分需要整句，流式声学码支持端到端流式但不对齐文本，文本条件切分需要文本辅助重建但延迟很高。理解这些差异后，才能公平看待后续重建与延续比较，而不是把类别差异误读为同条件胜负。
离线对齐的两个具体卡点在哪里？
第一个卡点是延迟的结构。流式识别为了多看一点音频会推迟输出，论文给出约 410 ms 的量级；大模型子词按词决定，必须等下一个词开始才能确定当前词的切分，又带来约 300 ms 的量级。两者叠加使朴素流式化仍很慢。第二个卡点是词表失配。
识别器的子词切分与大模型的子词切分不一致，例如识别侧是某种切分而大模型侧是另一种切分，旧方法只能把声学表示先平均到词级，再把同一词向量复制到该词包含的多个大模型子词上。这样同一词内的不同子词拿到完全相同的声学向量，韵律和发音细节被抹平。举例只是帮助理解切分不一致的现象，真正机制是聚合粒度从子词退化到词。
StreamAlign 要同时处理这两个卡点：一方面增量处理语音块并提前判断词边界，另一方面用与词表无关的字符做中间桥梁，再按目标大模型子词聚合，从而保留子词级声学粒度。
沿一个语音块走完输入到单元的全景
设想连续语音被切成固定时长块，当前块记为 xi，过去固定个块作为上下文一起送入编码器。编码器输出两路帧级特征：顶层语义特征用于识别对齐，低层拼接声学特征用于重建。冻结的流式词级识别器先给出当前块的词假设，把词拆成字符序列 ci。字符级 RNN-T 在语义特征与字符序列之间做维特比对齐，得到每帧对应第几个字符。
接着按大模型分词器对转写文本的子词切分，把属于同一子词的帧划分成块，每块经注意力池化压成一个向量，再经残差量化得到码组 qm 和时长 dm。每个输出单元是子词 wm、码组与时长的三元组。重建时把子词的字符嵌入同样聚合成语义向量，与量化声学向量拼接并按时长重复展开，再经单元预测器得到帧级语音单元，最后经流式声码器合成波形。推理时缓存按块累积，只在判定词边界后刷出可确定的前缀。下面先看总览图建立左右对比，再进入组件细节。
看图路径： 1. 先看左侧离线支路从整段波形到离线识别再到平均复制的纵向箭头，确认高延迟和词表失配标注位置；2. 再看右侧三个流式块各自的识别框与 RNN-T 框如何把词假设拆成字符并回指到帧色块；3. 对比底部送入语言模型的子词行，观察左侧复制同一向量与右侧每个子词独立码的差异；4. 沿右侧虚线回看波形到识别的增量输入，确认无需等待整句即可推进
论文图 1。原论文 Figure 1:：“Overview of prior text-aligned speech tokenization and StreamAlign.”。
左半显示离线识别等待整句后做平均复制，同一词向量被复制到不同大模型子词，标注高延迟与词表失配。右半显示每个流式块独立经过识别与 RNN-T，把词拆成字符后再按目标子词聚合成独立码，标注流式切分与字符级对齐。两条路径的输入都是波形，输出都是送入语言模型的子词对齐表示，差异在于是否等待整句以及聚合粒度是词还是子词。该图支持后续理解为何字符是桥梁，以及为何延迟能从等待整句变为等待词边界。
编码与对齐：两路特征和字符桥梁如何分工？
编码器采用受限的 Conformer，只注意固定窗口内的过去块，使其能在固定块上运行。原文实现块长 160 ms，过去上下文 1.28 s，声学特征取前 6 层隐状态拼接，语义特征取顶层。形式上每个块的前向可写成编码器映射，输入是当前块与过去上下文，输出是两路帧序列。
\[\displaystyle\mathbf{x}_{i}^{s},\mathbf{x}_{i}^{a}=\textsc{SpeechEncoder}(\mathbf{x}_{i},\mathbf{p}_{i}).\]其中 xis 是语义帧，xia 是声学帧，T 为每块帧数。该公式只表达分叉输出，不包含对齐。对齐的目标字符序列来自词级识别假设的拆字，称为词引导：识别精度继承词级模型，对齐粒度下沉到字符。推理时在 RNN-T 格上做维特比得到单调映射，每帧指到一个字符下标。训练时用 transducer 损失对所有合法路径求和，见训练节。字符之所以能桥接词表差异，是因为字符与具体子词词表无关，无论下游换成何种大模型分词器，都可把同一字符序列重新按新子词边界切块。
流式自动语音识别 × 字符级 RNN-T 对齐： 流式自动语音识别负责在只看到过去块时给出当前块的词假设，分工是保证可懂度和词正确性；字符级 RNN-T 对齐负责把声学帧单调映射到由词假设拆开的字符序列，分工是给出细粒度的帧到字符边界。搭配理由是词级识别更准但粒度粗、字符级直接识别更细但易错，组合后用词假设做监督目标、用字符格做对齐路径，既保留识别精度又得到与词表无关的细粒度边界，新增作用是后续能按任意大模型子词切分聚合而不必复制词级向量。
声学特征 × 语义特征： 语义特征取自编码器顶层，分工是驱动 RNN-T 的字符后验和对齐格；声学特征由低层隐状态拼接而成，分工是保留音色、韵律和发音细节用于重建。搭配理由是顶层更抽象适合识别、低层更接近信号适合重建，组合意义是在同一编码器前向中分叉使用，避免用同一表示既要判字又要保真，新增作用是聚合和量化只作用于声学支路，对齐错误对音质的影响被隔离。
需要记住的复述点是：语义支路决定对齐位置，声学支路决定重建内容，字符序列决定切分桥梁，三者缺一不可。
聚合量化与边界预判：子词向量和延迟如何产生？
得到帧到字符映射后，按大模型子词包含的字符数把帧划分成段。每段帧数记为 dm，对应子词 wm 包含 lm 个字符。聚合器是两层 Transformer 编码器，用可学习的聚合标记对段内帧做注意力池化，得到连续声学嵌入 zm。直接平均会被消融证明不足，因为它丢掉帧顺序与交互。zm 经残差量化得到多层码索引 qm 与量化向量，量化向量是各级码本向量之和。
重建侧对子词字符嵌入做同样的聚合得到语义向量 vm，再与量化声学拼接并重复 dm 次展开成帧级序列。块边界问题在于词可能跨块，若每块都把尾词推迟一整块，则延迟至少增加一块。词边界分类器是 RNN-T 联合网络状态上的小多层感知机，输出当前块末是否词完整的概率，高于阈值则全部刷出，否则只刷到最近空格对应的位置。
原文报告该分类器在测试集上精度 99.5%、召回 97.1%，取高精度工作点是因为误判完整的代价大于漏判，漏判只是多等一块，误判会切断子词损坏局部重建。
子词级聚合 × 残差向量量化： 子词级聚合负责把对齐到同一大模型子词的连续声学帧通过注意力池化压成一个定长向量，分工是解决时长不一和保持帧间顺序交互；残差向量量化负责把该连续向量离散成多层码本索引，分工是得到语言模型可自回归预测的离散声学码。搭配理由是聚合先解决 1 对多，量化再解决连续到离散，组合后每个单元是子词、码组和时长三元组，新增作用是联合序列长度与纯文本一致，同时保留子词内细粒度声学差异。
词边界分类器 × 延迟： 词边界分类器负责在块末尾预判当前词是否已说完，分工是决定立即刷出缓存还是把尾词留到下一块；延迟在这里定义为从收到语音块到发出对应重建语音的平均等待，包含分块等待和识别等待。搭配理由是子词切分必须等词完整，若一律延迟一整块则浪费，若贸然切分则切断子词，组合意义是用高精度分类器只在确信完整时提前刷出，新增作用是在几乎不改变重建指标下把端到端延迟显著压低。
语音单元预测器 × 流式声码器： 语音单元预测器负责把子词级语义加量化声学按时长展开后的帧级嵌入映射为中间帧级语音单元，分工是恢复时间分辨率；流式声码器负责把该单元序列转成波形，分工是复用已训练好的因果合成能力。搭配理由是分 2 阶段后预测器只学对齐到单元的映射，不必直接学生成波形，组合意义是 2 阶段都可随刷出的子词因果推进，新增作用是切分和重建都支持流式，适合实时交互。
复述时要强调单元三元组中时长的作用：它记录该子词占多少帧，使展开后能恢复时间分辨率。
两阶段训练先对齐后重建，语言模型如何接上去？
切分器训练分 2 个阶段。第一阶段训练编码器与字符级 RNN-T，最小化 transducer 损失，即对每块的字符序列取所有对齐路径概率的负对数和。
\[\displaystyle\mathcal{L}_{\text{\lx@glossaries@gls@link{main}{rnnt}{{{}}RNN-T} }}(\theta)=-\sum_{i}\log p_{\theta}(\mathbf{c}_{i}\mid\mathbf{x}^{s}_{i}),\]其中 p 是对给定语义帧下字符序列的全部路径概率，优化器用 AdamW，学习率与步数按原文 2 阶段安排。第二阶段冻结编码器，训练聚合器、量化器与单元预测器，目标是承诺损失加单元重建交叉熵。承诺损失约束聚合输出靠近量化向量但对量化侧停止梯度，重建损失是给定展开嵌入预测帧级语音单元的交叉熵。
\[\displaystyle\mathcal{L}_{\text{REC}}(\theta)=-\frac{1}{NT}\sum_{t=1}^{NT}\log p_{\theta}(s_{t}\mid\mathbf{u}_{1:t-1}).\]其中 u 是按时长展开的拼接嵌入，s 是目标语音单元，N 为块数，T 为每块帧数。训练先用连续特征较长步数，再打开量化继续训练，最后小学习率微调。数据为 LibriTTS 训练集与 Emilia 英语子集，并做噪声增强。语言模型侧用 Llama-3.2-1B 初始化，输入把子词嵌入与每层码本及 duration 嵌入加权融合，采用延迟预测：当前步预测子词，延后两步再预测对应声学码与时长，使模型先定文本身份再定声学实现，步内用深度 Transformer 按时长与残差层自回归。训练时冻结切分器，只优化语言模型侧的文本与声学交叉熵之和，适配方式为 LoRA 作用于全部线性层。
在什么数据和条件下测重建与延续？
重建评测用 LibriSpeech 测试干净集，指标包括可懂度用大语音识别模型转写后算词错率，自然度用 UTMOS，相似度用基频均方根误差与说话人嵌入余弦相似度，另报告延迟与编解码实时率。延迟定义为从收到输入语音块到发出对应重建语音的平均延迟，是分块固有等待加每块重建耗时的和；对文本对齐模型还需计入流式识别的转写等待，理论等待按词发声结束到转写可用的时间度量，其他模型按块时长计量，硬件统一在单卡上测平均。
基线分 3 组：非流式需整句的语音切分，流式端到端的声学码，依赖文本的文本条件切分；若基线原始码率超过 2000 bps 则调到与 StreamAlign 相当的 1000 bps 附近以控制码率因素。语言模型评测分两类：基于似然的分类用 SALMon 测声学一致性与口语故事完形测语义一致性，延续生成给 3 秒提示生成后续，用大语言模型评语义连贯、UTMOS 评音质、说话人相似度评音色一致，并做人工听评关注自然度与韵律保持。
为与使用离线转写的基线公平，该似然实验中统一用离线转写代替流式识别假设，其余实验用流式假设。
重建与延续的主结果支持什么，代价是什么？
先提出比较问题：在控制码率与流式能力分组下，文本对齐且流式的方法能否在可懂度和自然度上不输各组，同时保持低单元率与可接受延迟，指标方向是词错率越低越好、自然度越高越好、相似度越高越好、延迟越低越好。下表是语言模型延续与似然分类的主结果，覆盖声学与语义平均及延续的多维评分，基线包含不同规模与级联系统。
| Ours | Ours | Ours | Ours | Ours | Ours | Ours | Ours | Ours | Ours |
|---|---|---|---|---|---|---|---|---|---|
| ASR + LLM + TTS | Llama-3.2 | 1B | – | – | – | 2.12 | 3.74 | 0.654 | 3.97 |
| TASLM | Llama-3.2 | 1B | 61.9 | 76.5 | 69.2 | 1.99 | 3.53 | 0.497 | 3.47 |
| StreamAlign-SLM | Llama-3.2 | 1B | 69.1 | 72.1 | 70.6 | 2.26 | 3.66 | 0.622 | 4.00 |
表后解释需要同时看到收益与代价。StreamAlign 语言模型在声学与语义平均上取得最高总体，延续的人工评分与自动语义评分也领先，支持其在保持文本能力的同时保留声学一致性的判断。但细看会发现它并非每项都最优，例如语义单项低于文本更强的基线，声学单项也非全面碾压，说明平衡总体最优不等于单项最优。级联系统在说话人相似度上仍有优势，提示端到端在音色保持上存在代价。
未胜出项应如实保留：部分大参数基线在语义子任务上更强，纯声学码在相似度上更强，这些反例限定了结论的适用边界。 下表进一步拆解似然任务到情感、说话人、性别、能量与故事完形的子项，可核对总体平均由哪些子项驱动。
| Ours | Ours | Ours | Ours | Ours | Ours | Ours | Ours | Ours | Ours | Ours | Ours |
|---|---|---|---|---|---|---|---|---|---|---|---|
| SpiRit-LM | Llama-2 | 7B | 54.5 | 69.5 | 67.0 | 61.5 | 63.1 | 61.0 | 82.9 | 72.0 | 67.6 |
| SpiRit-LM (expr.) | Llama-2 | 7B | 73.5 | 81.0 | 85.0 | 49.0 | 72.1 | 56.9 | 75.4 | 66.2 | 69.2 |
| StreamAlign-SLM | Llama-3.2 | 1B | 64.0 | 75.0 | 77.0 | 60.5 | 69.1 | 59.0 | 85.1 | 72.1 | 70.6 |
该细表显示基线各有所长，有的偏声学表达，有的偏语义连贯，而本方法在多项上居中偏上从而总体领先，支持平衡而非偏科的解释。若只看单列会得出相反结论，因此必须以总体加子项联合阅读。
基线实现来自哪里，延迟与质量如何并读？
为核对基线是否可运行，需要列出各切分基线的公开检查点来源。该表本身不是性能表，不能替代结果表，但能说明比较基于作者推荐配置与公开权重，唯一的码率调整已在实验条件中交代。
| Codec | Checkpoint |
|---|---|
| SpeechTokenizer (Zhang et al., 2024) | https://huggingface.co/OpenMOSS-Team/SpeechTokenizer |
| Mimi (Défossez et al., 2024) | https://huggingface.co/kyutai/mimi |
| TASTE (Tseng et al., 2026) | https://huggingface.co/MediaTek-Research/Llama-1B-TASTE-V0 |
| TaDiCodec (Wang et al., 2025) | https://huggingface.co/amphion/TaDiCodec |
表后应说明可运行性的含义：这些检查点在本次未能逐一确认可达性的情况下，仍按原文给出的链接与配置引用，复现时需先验证权重可下载与推理可运行。结合主结果阅读时，延迟与实时率必须与单元率并读：纯声学流式码的延迟与编解码实时率更低，但单元率更高，下游语言模型实时率与序列长度成正比，因此端到端总实时率仍可能具竞争力。
原文给出切分加下游的总实时率仍低于实时阈值，支持流式可用的判断，但这不等于每一步都更快，总体趋势不能推广到每个样本。重建侧的数字结果集中在源引表中，含延迟从 560 ms 到 270 ms 的变化以及重建词错率与自然度的最优报告。
| 条件 | 指标 | 基线等待 | 本方法等待 | 报告结论 |
|---|---|---|---|---|
| LibriSpeech 测试干净集 | 重建延迟 | 560 ms | 270 ms | 边界预判降低延迟且重建几乎不变 |
| LibriSpeech 测试干净集 | 重建词错率与自然度 | 非最优基线 | 4.41 与 4.23 | 报告为已评切分中最低词错率与最高自然度 |
表后解释该表的局限：它只覆盖延迟与两个质量数，未包含相似度与单元率，相似度上的权衡需回看主结果表的完整行。延迟降低几乎不改变重建指标的判断来自原文的几乎不变表述，不是零损失承诺。绝对数值依赖测试干净集与单卡计时，换数据或硬件会变化。
拿掉字符桥梁或换掉聚合器会发生什么？
消融围绕识别粒度与聚合对齐展开。把词级识别换成字符级直接识别，词错率从 5.58 升至 14.02 以上，支持词引导对保持识别精度的必要性。把块长从 160 ms 翻倍或把加速发射系数调小，词错率仅小幅改善但延迟大幅增加，支持默认配置在精度延迟权衡上更有利。聚合侧把子词级聚合换成词级平均复制，词错率从 5.58 升至 7.00 且自然度与相似度下降，支持子词粒度保留细节的解释。把注意力聚合换成简单平均，词错率升至 11.95 左右。
把 RNN-T 换成 CTC，词错率升至 12.23 左右；直接在稀疏的大模型子词上训练对齐则完全失效，词错率超过 100 量级，原因是字符监督稠密而子词语料稀疏。编码器对照显示换成基线所用的语音表示后词错率仅变化 0.14，支持增益主要来自对齐聚合框架而非编码器更强。换未见过的分词器在推理时直接替换仍表现相当，支持字符桥梁的词表无关性，但这只是单一切换验证，不能推广到所有分词器。
识别误差传播分析显示重建转写反而比引导假设更准，且用标准转写替换流式假设主要影响语义似然，对生成质量影响在报告精度下不变，说明单元保留了可纠错的声学证据，但并未消除对识别器的依赖。
哪些边界未被验证，不能承诺什么？
论文明确列出三项局限。第一，仅在英语语料上评测，多语与语码切换是否成立待验证。第二，训练与主要评测集中在朗读与网络规模语音，虽然无重训下在自发对话上仍保持相对最优，但口语语言建模在自发场景未深入研究。第三，依赖引导用流式识别器，对齐质量与识别器绑定，虽然误差不是确定性复制，但降低依赖仍是开放问题。
未测量的量不能承诺改善，例如误判率、长尾噪声下的延迟分布、训练成本与推理显存的完整预算在正文中未充分展开，不能从总体最优推定每组都优。相似性指标是持续权衡，报告显示说话人相似度低于部分纯声学码，因此不能把自然度最优误读为全面保真。人工评测每样本 3 人打分取均值，样本量与方差信息有限，跨评测者一致性未详细报告，引用人评结论时应保留该不确定性。
复现先做什么，需要哪些超参数与信息条件？
复现应先跑通切分与重建，再训练语言模型。切分侧需要流式 Conformer 编码器、词级流式识别假设、字符级 RNN-T 维特比对齐、子词聚合与残差量化、单元预测器与流式声码器。关键超参数包括块长 160 ms、过去上下文 1.28 s、聚合器两层、量化残差层数切分侧 32 层而语言模型侧 16 层、码本 512 与码维 256、单元预测器 6 层，对齐阶段与重建阶段的学习率与步数分段安排，以及语言模型侧的低秩适配秩与缩放。
信息条件上训练时每块的字符目标来自识别假设而非人工标注，推理时缓存按边界刷出，未到边界只刷到空格。评测复现需固定数据划分、转写模型版本、UTMOS 与说话人嵌入版本、延迟计时硬件与平均方式，否则数字不可比。代码与权重可用性方面，原文给出项目页与基线检查点链接，但本次有第三方链接未能确认可达，复现前必须先验证可下载与可运行，不能默认当前可用。若识别器或声码器版本变化，对齐边界与音质都会漂移，应先锁定版本再调阈值。
何时值得尝试这种切分，还需补哪项验证？
当任务需要把语音送入已预训练文本大模型、又要求联合序列与纯文本等长且支持增量输出时，这种先字符对齐再按目标子词聚合的路线值得尝试。它用词级识别保可懂度，用字符保细粒度与词表无关，用边界预判换延迟，适合实时语音交互的切分层。若任务只追求最高说话人相似度或无需文本对齐，纯声学流式码可能是更直接的选择。若下游分词器频繁更换，需先在新分词器上复测重建与似然，因为现有泛化证据仅来自单次切换。
还需补的验证包括自发对话上的语言模型能力、多语与噪声下的边界分类器精度召回变化、以及端到端延迟在真实网络与流式解码下的分布。复述方法时记住一句话链条：分块编码分叉、词假设拆字、RNN-T 定界、子词聚合量化、按时长展开重建、延迟预测刷出，任何一步的信息条件改变都会改变可比性。
📎 论文与评分元数据
排名：前50% | 文档类型：方法研究 | arXiv 原文
⚖️ 评分明细
评分属于系统判断，不是论文实验结果；八维数值与总分见页首，原始审计记录保留在后端。
评分规则：type-aware-v1
评分模型：muse-spark-1.3-contributor
评分请求协议：openai_responses