Mega-ASR：通过扩展真实世界声学模拟实现野外²语音识别

尽管自动语音识别（ASR）与大型音频语言模型取得了快速进展，但在真实世界环境中的鲁棒识别仍受限于"声学鲁棒性瓶颈"：模型在严重且复合的失真条件下，常丢失声学基础，产生遗漏或幻觉。我们提出Mega-ASR，一个统一的野外ASR框架，结合了可扩展的复合数据构建与渐进式声学到语义优化。我们引入Voices-in-the-Wild-2M数据集，覆盖7种经典声学现象与54种物理合理的复合场景，并通过声学到语义渐进式监督微调与双粒度WER门控策略优化来训练Mega-ASR。大量实验表明，Mega-ASR在恶劣条件ASR基准上显著优于先前最先进系统（VOiCES R4-B-F上45.69%对比54.01%，NOIZEUS Sta-0上21.49%对比29.34%）。在复杂复合声学场景中，Mega-ASR相较于强开源与闭源基线进一步实现了超过30%的相对词错误率降低，为野外鲁棒ASR建立了一种可扩展的范式。