# Повторное использование блоков уменьшает размер моделей распознавания речи

> Исследователи предлагают использовать общие веса в повторяющихся блоках, чтобы уменьшить размер моделей распознавания речи и сохранить большую часть точности крупных моделей.

Oossa · 2026-10-30 · https://oossa.com/ru/a-recurrent-design-aims-to-shrink-speech-recognition-models

Команда исследователей, опубликовавшая работу на arXiv, предлагает модель распознавания речи, которая повторно использует небольшой набор блоков, вместо того чтобы задавать отдельные параметры для каждого слоя. По словам авторов, такой подход в сочетании с методами обучения, переносящими знания из более крупных моделей, позволяет сократить число параметров примерно в десять раз, сохранив точность.

Согласно аннотации, на тестах Open ASR Leaderboard модель с двумя общими блоками достигла 97.4% от средней точности крупных моделей. Команда также описывает способ адаптации компактной модели под отдельных пользователей, однако в аннотации нет замеров на устройствах и не установлено, как она работает в реальных условиях.

## Факты

- По данным исследователей, модель с двумя блоками достигла 97.4% от средней точности крупных моделей на тестах Open ASR Leaderboard.
- Статья была опубликована на arXiv 30 октября 2026 года.

## Почему это важно

Для разработчиков систем распознавания речи на часах и очках меньшее число параметров может помочь уложиться в ограничения по памяти. При этом пока неизвестно, даст ли такая архитектура заметный выигрыш в скорости или энергопотреблении на реальных устройствах.

## Источники и ссылки

1. [Depth through Recurrence: Towards Ultra-Efficient On-Device ASR](https://arxiv.org/abs/2610.37833) – arXiv cs.LG, 2026-10-30

Обновлено: 2026-10-30