arXiv cs.AI· Xiaoyu Gu, Yu Xi, Chencheng Wang, Zonghan Zhou, Haoyu Li, Jing Peng, Kai Yu·· 11 小时前AI 评分24
VISH-ASR：Viterbi 引导的热词选择，用于语音 LLM 上下文 ASR
VISH-ASR: Viterbi-Guided Selection of Hotwords for Speech-LLM Contextual ASR
AI 导读
VISH 是一个免训练、即插即用的热词预选框架，直接在帧级 CTC 后验上验证候选词的声学支持，将预选建模为受约束的后验搜索。M-VISH 通过帧同步共享前缀 Viterbi 搜索与有界 top-K 剪枝实现大规模词表验证，Bi-MVISH 则利用反向证据增强鲁棒性。
正文 · AI 翻译
摘要：基于提示的上下文 ASR 需要从大规模动态词表中选取紧凑的热词子集，然而现有的预选方法要么依赖可能丢弃声学证据的离散 ASR 假设，要么依赖单独训练的检索模型。我们提出 Viterbi 引导的热词选择方法（VISH），这是一个无需训练、即插即用的框架，直接在帧级 CTC 后验概率上验证候选词特定的声学支持。VISH 将预选建模为受约束的后验搜索；M-VISH 通过帧同步的共享前缀 Viterbi 搜索与有界 top-K 剪枝，使大词表验证具备可扩展性，而 Bi-MVISH 利用互补的后向证据实现稳健验证。在五个基准测试上，M-VISH 相比强学习型检索基线在 Best-F1 上取得最高 11.7% 的绝对提升，并在 2,000 个候选词时相对基于假设的过滤将候选搜索延迟降低 75.2%。这些结果证明了后验级验证在无需额外模型训练的情况下实现准确且可扩展的热词预选的有效性。
| 学科： | 音频与语音处理（eess.AS）；人工智能（cs.AI）；人机交互（cs.HC） |
| 引用为： | arXiv:2610.27867 [eess.AS] |
| （或本版本的 arXiv:2610.27867v1 [eess.AS]） | |
| https://doi.org/10.48550/arXiv.2610.27867 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Xiaoyu Gu [查看邮箱]
[v1]
2026 年 10 月 20 日星期二 08:49:56 UTC（1,118 KB）
来源：arXiv cs.AI · arxiv.org