本研究首次将标记修剪应用于基于ViT的音频分类模型，优化了性能与计算成本的平衡。结果显示，TopK标记修剪可减少30-40%的MAC操作，分类准确率仅下降不到1%。高强度标记对准确性贡献显著，低强度标记在音频分类中同样重要。

本研究提出了一种名为SpeechPrune的标记修剪策略，旨在解决语音大型语言模型处理长语音输入的局限性。该策略通过语音-文本相似性和注意力分数剔除无关标记，在SPIRAL基准测试中，20%的修剪率下精度提升29%，并在高达80%的修剪水平下保持网络性能。