Edge0 开源 Audio8-ASR-Infinite：中英双语流式语音识别，支持 7×24 小时不间断长音频转写

Edge0 开源 Audio8-ASR-Infinite，一款面向实时场景的原生流式中英双语语音识别模型，主打超低延迟+无限时长持续转写，依靠循环滑动缓存，解决长时间音频识别出现的文本漂移、显存溢出问题。

• GitHub：https://github.com/Edge0-AI/Audio8-ASR-Infinite
• 模型：https://huggingface.co/Edge0/Audio8-ASR-Infinite

其核心突破在于通过循环滑动 KV Cache 机制实现计算延迟与显存占用恒定，彻底解决长音频转写漂移与内存溢出问题，支持 7×24 小时不间断运行。

模型提供 80/120/160 ms 三档音频时钟，转写延迟可在 240–560 ms 间灵活配置；内置语义级 VAD（非声学），精准区分真实停顿、结巴与话语结束，避免误截断。在 480ms 延迟、80ms 帧长下，AISHELL-1 CER 仅 1.75%，显著优于 Voxtral-Mini-4B（16.8%）与 Nemotron-3.5-ASR（12.9%）。当前为预览版，仅交付转写能力；正式版将基于同一帧网格扩展实时语义感知。

核心亮点

1. 原生流式、可调延迟
   支持80 / 120 / 160ms三档音频时钟，转写延迟区间 240–560ms，可灵活取舍延迟与识别准确率；最高每秒解码12.5次，逐token输出。
2. 7×24小时不间断长音频转写
   采用滚动KV Cache窗口，显存占用、计算延迟维持恒定。长时间直播、持续对话场景下模型性能不会随音频累积逐步劣化，不会出现文本漂移。
3. 语义VAD（语义活动检测）
   依靠语义判断语句是否结束，不是单纯依靠音量阈值。思考停顿、结巴、短暂静默不会被误判定为说话结束，很适合直播听写、实时语音交互。
4. 中英双语支持

模型架构

音频主干基于Voxtral Realtime 4B，流式方案采用DSM；解码器使用Qwen2.5-3B-Instruct。

帧长与延迟配置

target_delay_ms 需要是当前音频时钟的整数倍

音频时钟	frame_len	streaming_n_left_pad_tokens	可选 target_delay_ms
80 ms	4	18	240 / 320 / 480 / 560
120 ms	6	12	240 / 480
160 ms	8	9	320 / 480

评测结果（480ms延迟，80ms帧长）

在中文Aishell1、Aishell4数据集上，Audio8-ASR-Infinite字符错误率大幅优于另外两款流式ASR；英文Librispeech上略弱于Voxtral-Mini。

路线图

• 预览版 ✅：仅提供ASR转写能力，支持滚动KV长音频、多档时钟与目标延迟配置
• 正式版 🏃开发中：在同一帧网格、同一声学前向链路，增加帧级语义感知能力

适用场景

直播实时字幕、线上会议不间断听写、长时语音交互、客服持续通话录音转写，对低延迟、长时间稳定识别有强需求的场景。