本文提出了一种模型，通过采用连续集成与发射（CIF）方法，以适应策略来改进预判，从而在实时的语音翻译中取得更好的性能，实验结果表明其优于多头注意力（MMA）方法，并且具有更好的对长话语的泛化能力。

Mar, 2022

本文提出在非自回归 ASR 模型 - Paraformer 中，利用连续积分 - 火时间戳机制（CIF）进行时间戳预测，并采用 fire-delay、静音插入和 scaled-CIF 等后处理策略来解决 CIF 的偏置问题。实验结果显示，优化后的 CIF 时间戳明显提高了准确性，相对 AAS 降低了 12.3％。

Jan, 2023

该篇论文介绍了一种名为 CIF-Transducer (CIF-T) 的模型，它将连续积分 - 放电（CIF）机制与 RNN-T 模型结合起来，实现了高效的对齐。通过舍弃 RNN-T 损失函数，该模型减少了计算复杂性，并使预测网络的作用更加显著。同时，引入了 Funnel-CIF、Context Blocks、统一门控和双线性池化联合网络以及辅助训练策略来进一步提高性能。在 AISHELL-1 和 WenetSpeech 数据集的实验中，CIF-T 相对于 RNN-T 模型，在更小的计算开销下取得了最先进的结果。

Jul, 2023

提出了一种名为 CIF-PT 的新的预训练范式，通过连续整合与火预训练 (CIF) 来弥合语音和文本之间的表示，其在语音理解任务中的表现优于最新的模型，交叉模态表示的性能也更好。

May, 2023

该论文研究了如何利用预训练语言模型来提高自动语音识别的性能，提出了基于分层知识蒸馏的方法，并使用交叉模态蒸馏和对比损失以及回归损失来跨语言层面和声学层面校准自动语音识别模型，实现了相对误差率降低 15％，并且达到了同类最先进模型的性能。

Jan, 2023

这篇论文提出了 CIF-Aligned 的置信度估计模型（CA-CEM），并使用 Paraformer 实现了精确可靠的置信度估计，最终在 AUC、RMSE、ECE-U 等多个指标上获得显著改进。

May, 2023

本文提出了基于双向循环神经网络编码器和递归神经网络解码器的语音识别方法，使用关注机制对输入与输出序列对齐以较高准确性地识别音素，且在 TIMIT 数据集上与传统的 HMM 方法相当。

Dec, 2014

本文提出了一种基于 RNN 的字符级增量语音识别系统，使用 CTC 进行端到端训练，在短时间内响应语音输入，通过基于树的在线 Beam Search 算法实现字级别的识别，该系统不仅能够响应不断输入的语音，还能根据发音来发音对语音的字词进行识别。在训练数据集上，该模型将字错率降低至 8.90％。

Jan, 2016

本研究论文扩展了端到端的框架，以包含麦克风阵列信号处理以进行噪声抑制和语音增强，并能够共同优化束形成和识别架构。实验结果表明，我们的多通道端到端系统在去噪和语音增强任务上表现更好。

Mar, 2017

本文提出了一种基于 CTC 的全神经网络语音识别器的设计方法，包括新的符号存储库、基于迭代的 CTC 方法、稳定化方法和初始化方法等，使用 NIST 2000 会话电话测试集进行了评估，结果表明该系统明显超过了先前发布的相似系统的性能，无需使用外部语言模型和解码技术。

Sep, 2016