适用于儿童语音识别的轻量化高效 Whisper 适配：面向设备边缘应用

为了支持以儿童为中心的语音交互应用，依赖云服务商进行语音识别推理正变得越来越具挑战，这主要由于监管和隐私问题。以隐私为导向的设计动机驱动本研究，旨在开发一个可在树莓派上运行的轻量化高效 Whisper 语音识别系统。经过评估 MyST 语料库，并考察 various 过滤策略以微调 tiny.en 模型，实现了 15.9% 的词错误率 (WER) (过滤后 11.8%)。低秩压缩将编码器缩小 0.51M 参数，GPU 上推理速度提升 1.26 倍，WER 增加 11%。在 Pi 上推理时，压缩版本少计算约 2 GFLOPS。各种输入音频时长下，两者的实时因子 (RTF) 均在 [0.23-0.41] 范围内。分析了 RAM 使用和 CPU 温度，表明 Pi 能够处理这两个 tiny 模型，但注意到小模型启动时会引入额外的开销/热降频。