聆听、思考、转录：ASR 的连续潜在测试时间缩放

端到端 ASR 模型一次性转录，不给解码器留下重新访问硬输入的空间。我们提出 LatentASR，这是一种参数高效的方法，它将连续的潜在测试时间缩放添加到冻结的 ASR 主干中。两个小的可训练模块驱动它：一个潜在适配器，通过有界、稳定的更新迭代地细化一些潜在前缀位置；以及一个值头，预测额外的计算是否会有所帮助并提前停止循环。 Qwen3-ASR-0.6B 主干网保持完全冻结，我们仅训练约 4M 的额外参数。我们用一个特意小的、多样化的 500 句话训练集来激活这个循环。在这种最小数据体制下，标准的适应方法都会退化：完整的 微调、LoRA 和提示调整都会增加 WER。 LatentASR 是唯一经过测试的方法，可以在两个干净基准测试上降低 WER（相对 FLEURS -2.54% 和 VoxPopuli -0.47%）。削减主要集中在本质上的硬投入上。在重音和代码转换语音 (ASCEND) 上，LatentASR 实现了 16.0% 的相对 CER 降低。在 30 种 FLEURS 语言（23,049 个话语）中，多语言 WER 在各个资源层中均匀下降，证实了适配器可以泛化而不会过度拟合。动态停止以一小部分计算保留了大部分清理集减少，跳过了入口处所有话语的大约一半。我们的结果表明，精心选择的小型激活集可以在冻结的 ASR 模型内打开测试时间缩放，而不会破坏模型本身，从而将固定的每句话计算转换为最需要的依赖于输入的计算。