本稿では、FastConformerアーキテクチャに基づく効率的かつ高精度なストリーミング音声認識モデルを提案する。本モデルは、以下の2つのアプローチによりFastConformerアーキテクチャをストリーミング用途に適応させた：(1) エンコーダにおける先行（look-ahead）および過去（past）のコンテキストを制約すること、(2) 推論時に非自己回帰型エンコーダが自己回帰的に動作可能となるよう、活性化関数のキャッシュ機構を導入すること。提案モデルは、多くのストリーミングモデルで見られる訓練時と推論時の精度差を解消するよう、慎重に設計されている。さらに、本提案エンコーダは、接続主義的時系列分類（Connectionist Temporal Classification: CTC）やRNN-Transducer（RNNT）などの多様なデコーダ構成と組み合わせて利用可能である。また、CTCとRNNTの両方のデコーダを共有エンコーダと併用するハイブリッドCTC/RNNTアーキテクチャを導入し、認識精度の向上と計算量の削減を実現した。提案モデルはLibriSpeechデータセットおよび複数ドメインの大規模データセット上で評価され、従来のバッファ付きストリーミングモデルのベースラインと比較して、より高い精度を達成しつつ、低レイテンシおよび短い推論時間を実現することを示した。また、複数のレイテンシを同時に学習するモデルは、単一レイテンシモデルよりも高い精度を達成でき、かつ一つのモデルで複数のレイテンシをサポート可能であることを示した。実験の結果、ハイブリッドアーキテクチャはCTCデコーダの収束速度を加速するだけでなく、単一デコーダモデルと比較してストリーミングモデルの精度も向上することが明らかになった。