X-AuT: Progressive Audio-Encoder Compression for Speech LLMs with Cross-Scale Distillation

arXiv:2609.11412 · 2026-09-12 공개 · arXiv · PDF

lora-finetuning representation-alignment parameter-reduction progressive-pruning audio-encoder embedding-alignment cross-scale-distillation speech-llm

Abstract

Reducing audio-encoder depth lowers the inference cost of speech large language models, but removing complete blocks perturbs the embeddings consumed by the decoder and can cause deletion and premature end-of-sequence errors. We introduce X-AuT, a progressive framework that selects layer combinations through short behavioral probes and restores the pruned model through representation alignment, cross-scale distillation, scheduled student-policy supervision, and LoRA finetuning. The language-model backbone remains frozen, while attention LoRA adapters and the tied output embedding adapt during distillation. Training uses the highest-agreement tier from a transcript-consistency pipeline, followed by source reweighting during finetuning. On ten public Chinese--English benchmarks, compressing Qwen3-ASR-0.6B from 18 to 16 audio-encoder layers reduces macro-average error from 5.61% to 5.27%. The 14-layer model reaches 5.75% with 20.7% fewer audio-tower parameters. Under the matched recipe, the 1.7B teacher yields 5.55% mean error, compared with 8.45% for self-distillation, and progressive 18rightarrow14 pruning outperforms direct pruning (5.75% vs. 6.73%). These single-run results establish two practical operating points and show that the accuracy effects vary across benchmarks. Project website: https://xpeng-ai.github.io/x-aut

한국어 요약

한 줄 요약

X-AuT는 Qwen3-ASR 모델의 오디오 인코더를 점진적으로 압축하면서 정확도를 유지하는 프레임워크로, 14층 모델에서 20.7%의 파라미터 감소와 5.75%의 매크로 오류를 달성한다.

핵심 기여도

핵심 아이디어

X-AuT는 기존 오디오 인코더의 레이어를 단계적으로 제거하면서 정확도 손실을 최소화하는 프레임워크이다. 기존 연구에서는 레이어 제거가 디코더 입력에 영향을 주어 조기 종료(EOS) 또는 삭제 오류를 유발할 수 있다는 문제를 지적하고, 이를 해결하기 위해 **레이어 조합 선정**, **표현 정렬**, **크로스-스케일 디스틸레이션**, **LoRA 미세조정**을 결합한다.

핵심 아이디어는 **점진적(prgressive)**이라는 점이다. 즉, 레이어 제거 후 복구 과정을 단계적으로 수행하며, 각 단계에서 **짧은 행동 탐지(probe)**를 통해 최적의 레이어 조합을 선정한다. 이는 단일 레이어의 중요도가 다른 레이어 제거와 상호작용하면서 달라질 수 있기 때문이다. 예를 들어, {6,8} 조합은 개별적으로 제거했을 때 가장 강력한 후보이지만, {5,6} 조합이 0.85pp 더 우수한 성능을 보인다. 이는 레이어 간 비가산적 상호작용을 반영한 결과이다.

기술적 접근법

주요 결과

의의 및 한계

X-AuT는 기존 오디오 인코더 압축 방법과 달리, 레이어 제거 후 복구 과정을 점진적으로 수행함으로써 정확도 손실을 최소화하는 새로운 접근법을 제시한다. 특히, **크로스-스케일 디스틸레이션**을 통해 선생 모델의 강력한 표현력을 학생 모델에 전달함으로써, 기존의 자가 디스틸레이션보다 훨씬 높은 정확도를 달성한다. 또한, **LoRA 기반의 미세조정**은 파라미터 수를 줄이면서도 디코더 인터페이스를 유지하는 데 기여한다.

그러나, 이 연구는 단일 모델 패밀리(Qwen3-ASR)에서 단일 실행 결과만을 기반으로 하기 때문에, **다양한 모델 아키텍처나 반복 실험을 통해 일반화 가능성**을 검증하는 것이 필요하다. 또한, 레이어 조합의 선택이 특정 데이터셋에 따라 달라질 수 있으므로, **다양한 언어나 도메인에서의 성능 차이**도 추가 연구 주제이다.

실용적 활용

X-AuT는 스트리밍, 모바일, 차량 내 시스템과 같은 실시간 음성 인식 환경에서 유용하게 활용될 수 있다. 특히, **인코더 레이어 수를 줄이면서도 정확도를 유지**하는 점에서,