# 循环复用模块，旨在缩小语音识别模型

> 研究人员提出在重复模块间共享权重，以缩小自动语音识别模型，同时保留大型模型的大部分准确率。

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

一支研究团队在 arXiv 上提出一种语音识别模型：它重复使用少量模块，而不是为每一层分别设置参数。研究人员表示，这种方法结合从大型模型迁移知识的训练技术，所需参数约为原来的十分之一，同时仍能保持准确率。

根据摘要，在 Open ASR Leaderboard 基准测试中，该团队采用两个共享模块的模型恢复了大型模型平均准确率的 97.4%。团队还介绍了一种针对个人用户调整紧凑型模型的方法，但摘要没有提供设备实测数据，也未说明该模型在实际使用中的表现。

## 事实

- 研究人员称，采用两个模块的模型在 Open ASR Leaderboard 各项基准测试中的表现，达到大型模型平均准确率的 97.4%。
- 这篇论文于 2026 年 10 月 30 日发布在 arXiv 上。

## 为什么重要

对于开发手表和眼镜语音识别功能的团队来说，减少模型参数有助于缓解内存限制；但这种设计能否在实际设备上带来有用的速度或能耗提升，目前仍不得而知。

## 来源与参考

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

最后更新: 2026-10-30