少看多听：流媒体 ASR 联合奖励 GRPO

流式自动语音识别 (ASR) 必须根据其转录内容以及提交每个单词的速度进行综合判断。延迟流建模 (DSM) 已成为流式传输大型音频语言模型的主导范例，暴露了限制解码器前瞻的结构延迟 $τ$。我们表明，$τ$ 不能很好地代表用户感知的延迟，并且 DSM 基于对齐的监督将延迟留在桌面上：每个 $τ$ 使用相同的强制对齐转录本，迫使模型保留它可能已经提交的单词。我们引入了 AWED，这是一种相对于每个单词的声学末端定义的单词级发射延迟度量，并在奖励下使用 GRPO 对 DSM 识别器进行后训练，该奖励联合对转录准确性和测量延迟进行评分。在单个操作点（$τ=6$ 帧）上进行训练，我们的模型在所有评估的前瞻预算中主导其监督微调初始化和 Voxtral Realtime 主干网络：它在 80ms 结构延迟时相对将 WER 降低了 30.8%，在 480ms 时相对降低了 5.7%，同时将中值 AWED 从 1.17s 降低到 1.04s。因此，延迟奖励的后训练提高了准确性——流式 ASR 的延迟帕累托前沿，无需更改架构。