arXiv:2605.27808v1 Announce Type: new 
Abstract: Data-aware post-training quantization (PTQ) minimizes a per-token reconstruction loss on a small calibration corpus, implicitly weighting positions by their empirical frequency. For \textbf{A}utomatic \textbf{S}peech \textbf{R}ecognition (ASR), this misaligns with tail-sensitive risk: names, numerals, and domain-specific words receive proportionally little calibration mass. We propose \textbf{Tail-Aware Reconstruction Quantization} (\TARQ), a label-free PTQ framework that shifts calibration toward the lexical tail via \textbf{\rareBAL}, a closed-form per-Linear-layer rule equalizing common/tail mass, paired with a metric-consistent residual correction. \TARQ\ requires no entity labels, no curated calibration set, no validation decoding, and no additional training. Across eight ASR backbones and six datasets at W4G128, \TARQ\ improves mean rare-\textbf{W}ord \textbf{E}rror \textbf{R}ate (rare-WER) without an aggregate-WER regression, achieves the lowest cross-corpus rare-WER swing among compared methods, and transfers to entity-rich benchmarks (ProfASR, ContextASR-Speech-En) without entity supervision.

تم تقديم إطار عمل جديد يسمى الكوانتية الحساسة للذيل (TARQ) لتحسين أنظمة التعرف التلقائي على الكلام (ASR) من خلال التركيز على الكلمات النادرة، التي غالبًا ما تكون ممثلة تمثيلًا ناقصًا في طرق المعايرة التقليدية. يستخدم TARQ نهجًا مبتكرًا ينقل المعايرة نحو هذه العناصر اللغوية النادرة دون الحاجة إلى تسميات الكيانات أو التدريب الإضافي.

Se ha introducido un nuevo marco llamado Cuantificación de Reconstrucción Sensible a la Cola (TARQ) para mejorar los sistemas de Reconocimiento Automático de Voz (ASR) al centrarse en palabras raras, que a menudo están subrepresentadas en los métodos de calibración tradicionales. TARQ emplea un enfoque novedoso que desplaza la calibración hacia estos elementos léxicos raros sin requerir etiquetas de entidad o entrenamiento adicional.

Un nouveau cadre appelé Quantification de Reconstruction Sensible à la Queue (TARQ) a été introduit pour améliorer les systèmes de Reconnaissance Automatique de la Parole (ASR) en se concentrant sur les mots rares, souvent sous-représentés dans les méthodes de calibration traditionnelles. TARQ utilise une approche novatrice qui déplace la calibration vers ces éléments lexicaux rares sans nécessiter d'étiquettes d'entité ou d'entraînement supplémentaire.

A new framework called Tail-Aware Reconstruction Quantization (TARQ) has been introduced to enhance Automatic Speech Recognition (ASR) systems by focusing on rare words, which are often underrepresented in traditional calibration methods. TARQ employs a novel approach that shifts calibration towards these rare lexical items without requiring entity labels or additional training.