开放 ASR 评标平台：面向可复现且透明的多语言及长文本语音识别评估
计算与语言
2026-03-31 v4 人工智能
声音
音频与语音处理
摘要
我们提出了开放 ASR 评标平台（Open ASR Leaderboard），这是一个来自学术界和产业界的可复现基准平台。它跨越 12 个数据集，比较了 86 个开源和商业系统，涵盖英文短文本与长文本以及多语言短文本轨道。我们统一采用词错误率（WER）和逆实时因子（RTFx）进行评估，以确保在不同模型架构和工具包（如 ESPNet、NeMo、SpeechBrain、Transformers）下能够进行一致的精度与效率比较。我们观察到，Conformer 结构的编码器搭配 Transformer 结构的解码器在平均 WER 上取得最佳表现，而基于连接时序分类（CTC）和基于标记与时长的转换器（TDT）解码器在 RTFx 上表现更优，更适合长文本和批量处理。所有代码和数据集加载器均开源，以支持透明且可扩展的评估。我们介绍了评估方法，以促进 ASR 及其他任务中社区驱动的基准测试。
引用
@article{arxiv.2510.06961,
title = {Open ASR Leaderboard: Towards Reproducible and Transparent Multilingual and Long-Form Speech Recognition Evaluation},
author = {Vaibhav Srivastav and Steven Zheng and Eric Bezzam and Eustache Le Bihan and Nithin Rao Koluguri and Piotr Żelasko and Somshubra Majumdar and Adel Moumen and Sanchit Gandhi},
journal= {arXiv preprint arXiv:2510.06961},
year = {2026}
}
备注
Leaderboard: https://huggingface.co/spaces/hf-audio/open_asr_leaderboard ; Code: https://github.com/huggingface/open_asr_leaderboard