本稿では実時間で動作する音響イベント検出 (SED) について述べる．SEDでは Audio Spectrogram Transformer (AST) が高い性能を発揮しているが，ASTは観測信号全体を入力するオフライン型であり，実時間推論で必要な逐次処理には不向きだった．そこで本研究では，入力を短時間のチャンクに分割する逐次型ASTによるSEDを構築する．具体的には，チャンク内の情報を次チャンクへ伝播させる記憶トークンを導入し，逐次処理でも高い性能を維持する．さらに，学習済みのオフライン型ASTの知識蒸留および1万時間を超える大規模学習データでの分散学習を併用して性能を改善した．