把会议转写放到 RK3588 上，除了让模型跑起来，还要决定有限的计算花在哪：先选哪一路麦克风，什么时候值得追加另一套识别器？这篇记录的是麦克风选择与识别器级联的研究，公开仓库保留了数值复算材料和历史实现。

比较策略时分别记录识别质量与运行时间，并区分麦克风输入变化和识别器变化带来的影响。

1. 麦克风选择与识别器级联

1.1 麦克风输入选择

同一句话使用不同麦克风输入，识别结果可能不同。输入选择比较的就是这部分差异。

1.2 识别器级联策略

级联先走一条识别路径，再按策略决定是否追加另一种处理。把输入选择和级联放进同一系统以后，置信度、选择策略和成本记录都要固定版本，不然两组结果可能连输入和预算都不一样。

输入选择、识别器级联和独立评价示意
依据公开研究范围绘制于2026年10月29日。不是一次新的硬件运行，也不表示设备依赖已全部公开。封面为参考 Orange Pi 5 Max 外形制作的概念插画，非设备实拍。

仓库保留了冻结的路由、置信度与 RF 实现，方便查看当时采用的规则。对应入口和依赖范围见硬件实现说明。

2. 质量投影与实际运行成本

记录 它能回答什么 不能混成什么
质量投影 根据已有各路识别结果，推算某种选择会得到怎样的质量 不是路由策略在设备上重新运行的记录
实际成本 设备执行的耗时、组件成本和对应模式 不是新增的独立质量样本
匹配服务比较 同一比较框架中的策略、时间块、模式与轮次差异 时间块和系统缓存仍可能混在差异里

已有结果库可用于计算不同选择规则下的识别质量，板端运行时间则需要实际测量。公开材料分别保存质量投影行和实际成本行，匹配比较时记录策略、时间块、运行模式与轮次。

重复执行用于观察运行时间的变化；独立会议和参与者数量仍按原始采样单位计算。文件名中的说话人标签未提供独立参与者身份依据，分组和重采样需要按实际采样单位处理。

3. 公开数值的离线复算

3.1 标准库复算入口

仓库根目录下，用 Python 3.9+ 标准库就能检查文件完整性，并重算 A/F/C/EV 几组数值 CER 摘要：

python3 -B reproducibility/reproduce.py

命令来自固定提交 README。完整的质量/成本 bootstrap 和绘图还要先准备对应依赖，具体步骤见复算说明。

3.2 合并 CER 与等录音平均

公开输入包含逐样本编辑计数。合并 CER 按总错误数除以总参考字符数，等录音平均则先算每份录音的 CER，再取平均。两者给长短录音的权重不同，所以代码保留两种归一化口径和相关摘要。

复算使用已发布的编辑计数。参考文本与识别文本未公开，复算范围是统计结果，不含原始转写的重新评判。

4. 文件校验与统计限制

配置、逐样本数值、统计代码和文件哈希一起保存。成功运行后会生成 reproduced/VERIFICATION.json，应查看本次状态，再使用生成的输出。绘图脚本可根据这些数值重新生成图表。

匹配模式的运行差异同时受时间块和操作系统缓存影响，插桩开销无法单独分离。部分分层只有一个观察单位，重采样无法估计层内变异。

5. 硬件重跑依赖

板端重跑需要运行时、SDK、模型和原始输入。模型转换链与原始检查点仍有缺失，完整硬件实验目前还无法按仓库直接重建。数据获取条件见数据与访问说明。

音频、转写原文、神经网络权重、SDK 二进制、私有执行日志和维护脚本没有发布。各部分资源的许可与访问条件分别列明，仓库未作统一的开源再许可。