英文题目：STAM-ASR: Speaker-Temporal Anchoring with Memory for Multi-Speaker ASR
标签：#语音识别 | #LoRA | #说话人分离标注 | #音频大模型 | #会议转录
评分：6.0/10 | 创新 1.2/2 | 技术严谨 1/1.5 | 实验充分 1.2/1.5 | 清晰度 0.7/1 | 影响力 0.8/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 0.8/1.5
👥 作者与机构
- Victor Tolulope Olufemi：机构信息未在 arXiv HTML 中可靠披露
- Syeda Faiza Ahmed Sara：机构信息未在 arXiv HTML 中可靠披露
- Shammur Absar Chowdhury：机构信息未在 arXiv HTML 中可靠披露
📌 核心摘要
多说话人语音识别需同时恢复说什么、谁说与何时说，长录音中轮次交替、重叠与说话人重现使分离与归因更难。该方法先复用冻结的Qwen2.5-Omni-7B音频编码器中间层特征，由轻量内部 diarization模块估计多标签说话人活动与说话人向量。接着以说话人向量表征谁、帧级活动表征何时，经残差FiLM线性调制生成目标说话人视角语义表示，保留原序列长度与维度并分别处理重叠说话人。再由共享查询变换器维护说话人记忆与对话记忆，将历史记忆与当前表示拼接后交由大模型解码，并在转写后更新双记忆用于后续轮次。与依赖外部Zipformer前端与外部说话人编码器的TagSpeech路线不同，其差异在于内部特征直接做分离标注、无波形分离的多视角调制与跨轮次固定尺寸双记忆。在语音活动检测切分全量预测条件下，该方法在 AMI 近讲混合会议级联最小排列词错率为 61.8%，在 ICSI、LibriCSS、NOTSOFAR-1 上亦优于同口径 Qwen2.5-Omni-7B 与 TagSpeech-AMI，仅在 AMI 远场单麦克风上落后 TagSpeech-AMI 约 1.6 个百分点。在AMI近讲混合VAD切分评测设置下，STAM-ASR的cpWER为61.8%，低于TagSpeech-AMI的cpWER 69.8%。其适用边界受限于20秒短块切分与特定会议语料，失败条件包括预测说话人活动误差主导、远场与跨域下记忆增益不稳定且尚未验证更长会话外推。原文未披露训练、推理或部署成本。
🔗 开源与复现资源
本次未形成可展示的已核验资源记录，开放状态尚未核实。
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：自然对话为何同时考验说什么、谁说、何时说？
本文的输入是多人自然对话的连续录音，目标是输出按说话人归属的文字记录。研究生首先要建立的动作是把任务拆成 3 个可核对的量：说什么对应转写正确性，何时说对应时间边界，谁说对应跨轮次身份一致性。
自然对话的难点在于 3 者互相干扰：轮替带来长上下文依赖，重叠使同一帧属于多个说话人，重现要求身份在数分钟内保持一致。论文把评估锚定在 AMI、ICSI、LibriCSS 和 NOTSOFAR-1 上，覆盖近讲混合、远场、重叠与跨域条件。
学习依赖是先理解这种多条件评价，再看方法为何同时需要当前时间证据与跨轮记忆。输出不是好坏判断，而是在相同切分与相同指标下比较可运行策略。本文所有事实回到原文证据，教学举例会明确标为例子，不虚构数值。
已有路线如何分工：归属、重叠与长上下文为何被分开处理？
理解 STAM-ASR 的位置，需要先区分 3 条已有路线各自解决的子问题。第 1 条是说话人归属识别，常把识别与日志或目标说话人条件结合，回答文字属于谁，但多依赖外部日志系统。
第 2 条是多人同时说话处理，包括连续语音分离、排列不变训练与序列化输出训练，回答重叠帧如何分配，但长时身份保持不是其重点。第 3 条是长录音建模，包括说话人缓存、跨块传播前文或紧凑循环状态，回答上下文如何跨段传递。
近期 AudioLLM 工作把说话人选择、注册与时间定位引入语言模型，但论文指出跟踪与历史仍多被分别处理。STAM-ASR 的安排理由是把 2 者联合起来：当前轮用内部时间线索调制语义表示，跨轮用固定尺寸的 2 类记忆分别保留互补信息。
该定位不是对类别的笼统超越，而是针对既要处理重叠又要记住重现者的会议场景。后续方法节会按样本路径展示这种联合如何落地，读者可对照输入到输出的数据流核对。
问题如何形式化：轮次、活动与记忆状态分别是什么？
把一个长会议形式化为按时间推进的轮次序列，每个轮次记为目标说话人身份与起止时间戳。论文把第 t 轮写作 Ut 与起止时间，时间戳映射到预计算的 AudioLLM 表示与日志表示索引。
映射后得到轮级声学语义表示与目标说话人活动，供调制与解码使用。举例来说，例子：若第 3 轮是说话人 2 从 12.0 s 说到 15.5 s，则模型取出对应索引段的混合语义特征与该说话人的活动曲线。
这种形式化的好处是把切分、活动估计、调制、记忆与解码解耦，便于定位误差来自边界还是归属。监督来源包括转写监督与日志监督，评价用 WER、拼接最小排列 WER 与时间受限版本为主指标。
日志用带 0.25 s 容限的日志错误率，会话级另用贪心日志不变的拼接指标。数值相同不代表指标相同，百分点与相对百分比也需区分，比较时必须同时核对数据集、切分、指标与聚合对象。
全景如何走通：一个混合片段怎样变成按说话人输出的文本？
沿一个样本走完主路径有助于建立学习依赖。输入混合音频 X 先经过冻结的 AudioLLM 编码器，得到中间表示 Hmid 与语义表示 Hsem。
前者偏向说话人建模，后者偏向识别，2 路表示在后续分支中分别使用。内部日志模块直接在 Hmid 上估计多标签活动 A 与说话人感知隐状态 D。
多标签允许 2 个说话人同时活跃，从而显式保留重叠信息。接着按轮次取出当前混合语义段与目标活动，用说话人向量调制语义表示，得到说话人条件视图。
本图展示从波形到记忆条件识别的完整数据流，重点是语义主路与说话人分支在哪里分叉又在哪里汇合，以及 2 类记忆如何作为前缀参与解码。
看图路径： 1. 先沿顶部波形 X 经 OLLM-Audio 编码器到 Hsem 的主路走一遍；2. 再看左侧说话人日志分支如何输出 A 与 E 并选择当前轮 At 与 es；3. 对比右上加权池化得到 e 与右下条件 Q-Former 更新 2 类记忆的位置；4. 确认底部记忆前缀与 Htilde 拼接后进入带 LoRA 的 OLLM-ASR
论文图 1。原论文 Figure 1:：“Overview of STAM-ASR with internal diarization, speaker-temporal modulation, memory construction.”。
该图左侧是主流程：波形经编码器得到 Hmid 与 Hsem，日志分支输出活动与向量，选择轮级区域后经调制得到 Htilde。右上是加权池化分支，右下是条件 Q-Former 分别更新 2 类记忆，底部是记忆前缀与 Htilde 拼接后解码。
像素可见的要点是调制不改变序列长度，记忆更新发生在转写之后，初始记忆使用学习到的初始 token。这种先调制后加记忆的顺序是后文公式与训练安排的依据。
说话人日志 × 语义表示： 说话人日志负责回答谁在何时活跃，给出多标签活动 A 与说话人向量 e，语义表示 Hsem 负责保留说了什么的内容，二者搭配的理由是混合音频不能直接切分，STAM-ASR 用谁与何时去调制语义表示，组合后得到保持长度与维度的说话人条件视图，供识别与记忆更新使用。
谁与何时如何计算：活动加权与残差调制做了什么？
本节承担的教学任务是讲清内部日志与调制的输入、符号与计算目标。日志模块记为 D_phi，输入是冻结编码器中间层特征 Hmid，输出是多标签活动 A 与隐状态 D。
活动加权池化的目标是为每个说话人汇总一个向量表示，权重默认取该说话人的活动值，使活跃帧贡献更大。符号说明如下：tau 为日志帧索引，w 为由活动导出的权重，epsilon 防止除零。
原文实现是 Transformer 日志模块加混合 Sortformer 目标，跨段通过关联保持身份一致，具体关联算法未完全展开，此处不猜测。调制阶段对每轮 Ut 与目标说话人 s 使用 2 个互补线索。
残差 FiLM 调制 × 重叠语音： 残差 FiLM 调制分工是按目标说话人预测逐特征的缩放 gamma 与偏置 beta 并以残差方式叠加，重叠语音分工是同一段混合 H 共享给多个活跃说话人，搭配理由是重叠时不能做波形分离，组合意义是对每个说话人用各自的 e 与 A 单独调制出一份 Htilde，从而在不分离波形的情况下得到可分别转写的多视角表示。
轻量条件网络预测逐特征缩放 gamma 与偏置 beta，再经残差 FiLM 注入语义表示，lambda 为可学习缩放。重叠时同一混合 H 被每个活跃说话人各自调制，得到各自的 Htilde，无需波形分离。
\[\mathbf{e}_{s}=\frac{\sum_{\tau}w_{s,\tau}D_{\tau}}{\sum_{\tau}w_{s,\tau}+\epsilon},\]上式是活动加权池化，按活动对隐状态做加权平均得到说话人向量 es。该向量回答是谁，为后续调制提供说话人侧条件。
\[\widetilde{H}_{s,t}^{\mathrm{sem}}=H_{t}^{\mathrm{sem}}+\lambda\left(\gamma_{s,t}\odot H_{t}^{\mathrm{sem}}+\beta_{s,t}\right),\]上式是残差调制，在原始语义表示上叠加说话人条件变换。该残差形式保留原语义并引入说话人视角，同时保持长度与维度不变。
记忆如何读写：2 类记忆的更新与拼接顺序是什么？
本节讲清记忆的读写时机与输入，这是复现时最易混淆的依赖。STAM-ASR 维护 2 类固定尺寸记忆，每类含固定数量 Nmem 个 token。
共享同一个 Q-Former 加记忆类型嵌入以区分更新，说话人记忆沿同一说话人的先后轮次更新，会话记忆按时间顺序更新。关键动作顺序是解码使用更新前的记忆，生成文本后再用当前 Htilde 更新 2 类记忆。
无历史时使用学习到的初始记忆 token，长录音按较短段提取表示，记忆状态跨段传播。拼接形式为边界符包裹的 2 段记忆前缀加当前 Htilde，送入带适配器的 AudioLLM。
说话人记忆 × 会话记忆： 说话人记忆负责沿同一说话人的先后轮次传递声学语义特征，会话记忆负责按时间顺序传递对话上下文，搭配理由是单靠当前轮证据无法记住重现的说话人与话题，组合意义是共享 Q-Former 加记忆类型嵌入分别更新，两者在解码前共同作为前缀上下文，保留互补的说话人级与会话级信息。
这种先读后写的安排保证当前轮不会看到自己未来的更新，跨段时记忆状态持续传播。训练块内前 2 轮用于预热记忆状态，后续轮才贡献识别损失。
\[Z_{s,t}=[\langle\mathrm{sm}\rangle M_{s,\mathrm{last}}\langle/\mathrm{sm}\rangle;\langle\mathrm{cm}\rangle C_{t-1}\langle/\mathrm{cm}\rangle;\widetilde{H}_{s,t}^{\mathrm{sem}}].\]上式是送入识别器的拼接输入，sm 与 cm 分别为 2 类记忆的边界标记。该输入末尾是当前轮的说话人条件语义表示，模型据此生成归属转写。
训练分几步：冻结谁、更新谁、用什么损失与课程？
本节按原文交代参数冻结、监督来源与课程，不从模型名推定实现。骨干是 Qwen2.5-Omni-7B，音频编码器保持冻结，中间表示取 32 层编码器中第 15 层。
选中依据是层级说话人探针的跨会议辨识结果，语义表示取最终表示并缓存。训练语料包括 AMI、ICSI 与 Mixer6，其中 AMI 与 ICSI 提供识别与日志监督。
Mixer6 来自 CHiME-8 远场访谈仅提供识别监督，超过 8 个说话人的 ICSI 训练会议因超出日志槽位被排除。辅助日志预训练用约 200 小时监督数据，结合 AMI 与 NeMo 仿真器生成的 3 至 5 人模拟对话。
训练块按说话人轮次边界切分，最长 20 s，前 2 轮预热记忆，其余轮贡献识别损失。重叠经多标签活动保留，块结构对应原文训练块示意图。
策略是先用预训练日志模块做 1 轮仅日志预热并冻结其余模块，再联合优化日志头、FiLM、记忆 Q-Former 与 Qwen 思考器的 LoRA。编码器与基础大模型权重冻结，损失在 AMI 与 ICSI 上为语言模型交叉熵加日志损失。
Mixer6 仅贡献语言模型损失，日志用混合 Sortformer 目标权重 alpha 为 0.25。为弥合参考引导训练与预测日志推理的差异，在 100 步预热后经 1200 步把使用参考活动的概率从 1 降到 0。学习率按原文为 FiLM 与 Q-Former、LoRA 与日志头分别设置不同量级。
在什么条件下测：数据划分、基线与指标方向是什么？
实验按测什么、与谁比、条件是否一致来组织。训练与评测划分覆盖 AMI 近讲混合与远场单麦、ICSI、未见过的 LibriCSS 与 NOTSOFAR-1。
AMI 遵循 pyannote 全语料划分并报告近讲与远场 2 个条件，基线包括底层 AudioLLM、Whisper large-v3 加 pyannote 级联与 TagSpeech-AMI。TagSpeech 用单独训练的 Zipformer 提供时间信息，而 STAM-ASR 直接从内部特征导出表示且维护双记忆。
比较公平性需注意 TagSpeech 在本文分段与参考下评测，未去除静音也未做原文预处理。指标方向均为越低越好，转写用 WER、拼接最小排列 WER 与时间受限版本。
会话级用贪心日志不变指标以减少切分差异的影响，日志用带容限的错误率。转写评分前对大小写与标点空白做统一归一化，聚合对象需区分块级与会话级。
要回答训练数据规模与轮次密度是否足以支撑记忆学习，需要先核对各语料的块数、会话数、每块轮数与说话人数，指标方向不适用此表。
| Corpus | Chunks | Sess. | Turn/Ch. | Spk/Ch. | Hours |
|---|---|---|---|---|---|
| AMI | 14,532 | 136 | 4.42 | 4.00 | 58.22 |
| ICSI | 8,847 | 49 | 8.82 | 6.21 | 42.80 |
| Mixer6 | 9,533 | 189 | 3.14 | 1.00 | 41.84 |
| Total | 32,912 | 374 | 5.23 | 3.73 | 142.86 |
该表显示总计 32912 个训练块与 142.86 小时，AMI 每块平均 4.42 轮，ICSI 每块平均 8.82 轮且说话人数更多。Mixer6 多为单人访谈，单人数据对多人归属帮助有限，但增加声学多样性。
结合前文块构造，前 2 轮预热后剩余轮次提供监督，ICSI 的高轮次密度更利于会话记忆学习。这为后文记忆在近讲会议更有效提供了数据侧解释，复现时应保留相同的块切分规则。
主结果显示什么：在参考与自动切分下谁可运行？
主结果分参考定义分段与 VAD 分段 2 种条件，STAM-ASR 区分使用参考活动与预测活动。需要保留的判断是：在参考定义段下预测活动的 STAM-ASR 在 AMI 近讲上取得可比最优。
在 ICSI 上保持竞争力，而参考活动大幅降低所有测试集误差，说明活动估计是瓶颈。在更难的 VAD 条件下，STAM-ASR 在 4 套测试集上取得最优，AMI 远场上 TagSpeech 略优。
会话级贪心指标下 STAM-ASR 在 AMI 近讲、远场与 LibriCSS 优于 TagSpeech，在 ICSI 与 NOTSOFAR-1 相近。AMI 远场块级与会话级出现分歧，提示日志不变评分缩小切分差异后全文优势显现。
参考切分 × VAD 切分： 参考切分分工是用人工定义的轮次边界评价识别本身，VAD 切分分工是用自动语音活动检测的约 20 s 段评价更真实的切分条件，搭配理由是多人长录音无法保证理想分句，组合对比可以分离切分误差与说话人归属误差，论文在 2 种切分下分别报告 cpWER 以检验自动分段时的退化。
下表用可逐字核对的原文连续句整理关键对照，避免对宽表做不可验证的选择，重点比较可部署的预测活动策略。
| 条件 | 对比对象 | 原文报告结果 |
|---|---|---|
| 近讲 AMI-IHM 与 ICSI 全组件相对单调制 | cpWER | from 53.3 to 51.5 and from 51.8 to 47.7 |
| AMI-SDM 块级 TagSpeech 相对 STAM-ASR | cpWER | 71.7% vs. 73.3% |
| AMI-SDM 会话级 STAM-ASR 相对 TagSpeech | gDI-cpWER | 49.7 vs. 54.8 |
该表背后的原文报告显示，自然近讲集上全组件相对单调制降低拼接误差，而远场与跨域条件下当前时间证据可能已足够。代价是预测活动下的绝对误差仍高，未胜出项是 AMI 远场块级与部分跨域条件。
限制是本表只覆盖部分对照，完整多基线数字需回到原文大表按数据集、切分、指标逐格核对。不能把不同切分或不同指标的差值混为一列，也不能把参考上限当可部署收益。
组件何时互补：同一检查点关闭记忆会发生什么？
消融的教学任务是固定同一联合训练检查点，仅在推理时开关组件。配置记为 ST 表示说话人时间调制，SM 为说话人记忆，CM 为会话记忆。
All 为 3 者全开，结果在参考定义段上报告拼接误差与时间受限版本。聚焦可部署的预测活动，2 类模式值得复述：在自然近讲会议上，全组件相对单调制降低误差。
在远场与跨域 LibriCSS 上，单调制最优，加记忆一致增加误差。NOTSOFAR-1 上说话人记忆仅带来边际拼接增益，而调制在时间受限指标与 WER 更好。
参考说话人活动 × 预测说话人活动： 参考说话人活动分工是给出理想的谁何时边界，用于衡量建模上限，预测说话人活动分工是内部日志模块实际估计的边界，用于衡量可部署性能，搭配理由是训练推理存在引导与自预测的差异，组合比较可以直接定位误差来源，论文用 2 者差距说明稳健说话人跟踪仍是关键瓶颈。
要判断上述互补是否在各数据集上稳定，需要在同一指标与同一活动条件下并排比较 ST、ST 加 SM、ST 加 CM 与全量，指标方向为越低越好。
| Inference configuration | AMI-IHM | AMI-SDM | ICSI | LibriCSS | NOTSOFAR-1 |
|---|---|---|---|---|---|
| All (ST+SM+CM) | 25.3 / 28.3 (25.0) | 38.8 / 41.5 (38.6) | 20.4 / 21.2 (20.4) | 18.5 / 18.8 (18.5) | 52.6 / 53.7 (52.2) |
| ST | 25.8 / 29.1 (25.5) | 33.7 / 37.2 (33.5) | 23.7 / 24.5 (23.7) | 13.9 / 14.1 (13.9) | 47.0 / 48.0 (46.7) |
| ST+SM | 25.2 / 28.3 (24.9) | 37.0 / 39.9 (36.8) | 20.9 / 21.6 (21.0) | 17.1 / 17.4 (17.1) | 50.7 / 51.8 (50.2) |
| ST+CM | 25.1 / 28.0 (24.8) | 38.4 / 41.0 (38.2) | 20.4 / 21.2 (20.3) | 19.7 / 20.0 (19.6) | 52.1 / 53.2 (51.6) |
| All (ST+SM+CM) | 51.5 / 53.0 (44.1) | 64.6 / 66.4 (57.0) | 47.7 / 49.3 (42.5) | 53.3 / 55.9 (35.6) | 76.6 / 79.8 (67.6) |
| ST | 53.3 / 54.5 (44.9) | 61.6 / 63.0 (53.4) | 51.8 / 52.8 (46.7) | 51.1 / 53.3 (32.0) | 75.9 / 78.1 (64.1) |
| ST+SM | 52.0 / 53.4 (44.3) | 62.0 / 63.9 (54.5) | 48.1 / 50.1 (43.5) | 52.1 / 55.1 (35.3) | 75.4/ 79.1 (66.2) |
| ST+CM | 51.5 / 53.1 (43.5) | 63.6 / 65.5 (56.4) | 48.0 / 49.3 (43.4) | 54.5 / 57.2 (38.7) | 76.2 / 79.8 (67.4) |
表后解释主要收益与代价：收益是近讲会议上双记忆提供跨轮上下文，ICSI 上全量相对单调制的下降幅度大于 AMI 近讲。代价是远场与 LibriCSS 上记忆引入不可靠历史导致误差上升，NOTSOFAR-1 上增益微弱。
未胜出项是这些条件下全量不如单调制，负结果本身说明记忆不是无条件有益。部署含义是不能默认全开最优，需按声学与跨域条件验证开关。
会话级全文转写是否一致：VAD 分段下贪心指标说什么？
块级拼接指标依赖切分与排列，会话级贪心日志不变指标允许假设分段与参考不同。贪心分配做日志不变评分，更适合评价长录音全文可用性。
本节用 VAD 分段在完整录音上评分，比较 STAM-ASR 与 TagSpeech-AMI。问题是块级结论能否推广到全文：原文报告 STAM-ASR 在 3 套会话上更优，在 2 套上相近。
结合上一节 AMI 远场的块级反例，这里的全文优势支持 STAM-ASR 在减少切分差异后仍保持更强全文转写。但原文明确限定需进一步探索增益来源，不能直接归因于记忆。
要回答全文条件下的方法排序是否与块级一致，需要并排比较 2 系统在 5 套会话上的贪心指标，条件为 VAD 分段与完整录音评分。
| Model | AMI-IHM | AMI-SDM | ICSI | LibriCSS | NSF-1 |
|---|---|---|---|---|---|
| TagSpeech-AMI | 52.1 | 54.8 | 44.8 | 48.9 | 65.1 |
| STAM-ASR | 37.6 | 49.7 | 45.0 | 41.5 | 65.5 |
该表显示 STAM-ASR 在 AMI 近讲与 LibriCSS 上相对优势较明显，在远场上从块级落后转为全文领先。代价是 NOTSOFAR-1 上仍无领先，说明跨域远场会议的全文归属依然困难。
未评测边界包括更长会议的跨段身份漂移与推理开销，复现时应同时记录块级与会话级。避免只看一端得出片面结论，也不要把全文领先推广为所有条件领先。
瓶颈在哪里：日志误差与长时身份保持暴露了什么？
本节只讲原文直接报告与有限解释，推测用可能表达。直接报告有 3 点：参考与预测活动的巨大差距表明稳健跟踪仍是关键瓶颈。
从参考定义切分到 VAD 切分的退化表明自动分段同样重要，轻量日志模块在完整录音身份下误差高于块局部评分。有限解释是局部活动估计相对有效，而长时身份保持是主要限制。
证据是同一模块在块局部协议下优于 TagSpeech 而在全文身份下误差上升。在多人条件如 ICSI 与 LibriCSS 上说话人混淆成为主导误差，支持身份保持比局部检测更难。
未验证的推测是记忆在不可靠历史下可能放大误差，但原文未做因果证明，此处仅记为待验证。缺失证据不是技术错误：原文未测量误判率分解、延迟与训练算力预算。
总体趋势不等于每组每步成立，例如记忆在近讲有效不代表在远场有效。研究生应先复现日志误差分解，再讨论记忆改进，避免把相关性当因果。
复现先做什么：按什么顺序核对数据、配置与评估？
复现的动作顺序应与学习依赖一致。第 1 步核对数据与划分：AMI、ICSI 训练与评测划分，Mixer6 仅识别监督。
模拟 LibriSpeech 仅日志预训练，以及 ICSI 超 8 人会议被排除的规则，都要在数据管线中复现。第 2 步核对特征与冻结：Qwen2.5-Omni-7B 编码器冻结。
取第 15 层中间表示与最终语义表示并缓存，只训练日志头、FiLM、Q-Former 与 LoRA。第 3 步核对块构造：最长 20 s 按轮次边界切分。
前 2 轮预热记忆，重叠保留为多标签活动，块内轮次不足时不应计入损失。第 4 步核对课程与损失：先日志预热 1 轮，再联合优化。
参考活动概率经预热后逐步降到 0，损失权重与优化器设置按原文记录。第 5 步核对评估：参考与 VAD 共 2 种切分，拼接与时间受限指标，会话级贪心指标。
日志带 0.25 s 容限，转写归一化后再评分，随机种子需记录 3 次以核对日志方差。资源状态方面，本次未发现来源绑定且完成验证的资源，不得声称代码已公开。
何时值得尝试：方法选择、适用条件与还需补的验证是什么？
收束时回答何时尝试、代价与缺项。值得尝试的条件是多人轮替、重叠与说话人重现并存的会议转写。
且已有预训练 AudioLLM 希望不引入外部日志前端与波形分离时，STAM-ASR 提供轻量内部日志与固定尺寸双记忆。支持的判断是当前时间证据与记忆互补：近讲会议更受益于记忆。
远场与跨域更依赖当前证据，复现时应先跑单调制基线，再开双记忆。代价是预测活动与自动切分下的误差仍高，长时身份混淆在多人条件突出。
记忆在不可靠历史下可能无效甚至有害，不能默认全开最优。还需补的验证包括全文身份下的日志分解、跨域鲁棒性、推理开销与延迟测量。
以及记忆容量的敏感性分析，常见误解是把参考上限当可部署收益。正确做法是分别报告参考与预测、块级与会话级，并保留未胜出项。
📎 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