一篇题为《A Systematic Comparison of Search Space Complexity and Efficiency for Time-Synchronous End-to-End ASR Models》的研究论文于2026年10月24日发布在arXiv预印本平台（编号2610.31259v1），聚焦端到端自动语音识别（ASR）系统中搜索机制的效率与复杂度问题。
该研究对比了连接时序分类（CTC）与神经转录器（neural transducer）两类时间同步端到端ASR模型，在不同剪枝策略（如固定宽度束搜索、基于分数的动态剪枝）及外部语言模型（LM）配置下的表现。结果表明，这些模型虽在多数时段仅需极小搜索空间，却会在语音内容模糊或信噪比低等不确定性阶段，产生假设数量的大幅瞬时增长。
研究发现，采用基于分数的动态剪枝策略能根据模型置信度实时调整搜索范围，从而显著降低实时因子（RTF），提升解码效率；相比之下，传统低宽度固定束搜索存在明显局限性。论文据此提出面向端到端ASR系统的高效搜索实用建议，但未报告具体数据集、硬件环境或量化性能提升数值。