作者提出了一种用于锡克教基尔坦（Sikh Kirtan）实时字幕的基准测试和参考系统，该系统涉及对《斯里古鲁格兰特·萨希卜》（Sri Guru Granth Sahib Ji）经文诗句的连续吟唱。与开放词汇转录不同，此任务要求与正典经文逐字精确匹配，以避免出现宗教上不恰当的拼写错误。

  • 基准测试 v1 包含 12 个评估案例，源自四个手动标注的录音和三个冷启动偏移量，总计约 57 分钟评分音频。
  • 一个使用微调后 120M IndicConformer 的参考系统在最困难的实时盲测变体上实现了 57.9% 的整体帧准确率，在单个 Apple Silicon 核心上的 RTF 约为 0.05。
  • 评分方法以 1s 分辨率计算帧准确率，采用 1s 容差和间隙容忍评分，解决了该任务对显示精度的特定需求。

该基准测试、参考系统和实时部署均在宽松许可证下发布，以促进该专业领域的进一步改进。