JSPG：基于联合语义-拼音-字形检索的中文情境语音识别动态词典过滤
计算与语言
2026-05-19 v1
摘要
情境语音识别（ASR）面临大规模关键词词典带来的挑战，因过多无关候选会引入噪声而降低准确率。为此，动态过滤通常使用基础 ASR 模型生成初步假设，再通过语义文本检索器获取相关关键词的精简子集。然而，这种方法在中文 ASR 中常常失败。基础模型会产生同音或近同音错误，这些错误保留了目标关键词的语音线索，但严重扭曲其语义含义，导致标准语义检索器失效。为解决此问题，我们提出一种集成语义、拼音、字形特征（JSPG）的过滤框架。拼音有效地基于相似度检索目标，而字形提供补充的结构线索，用于过滤中文固有的大量同音字。为弥合字符级拼音/字形度量与序列级过滤之间的鸿沟，我们引入扩展 Smith-Waterman 算法，用于计算 N-best 假设序列与关键词之间的相似度得分。实验在 Aishell-1 和 RWCS-NER 数据集上表明，JSPG 显著优于单特征基线方法。此外，由 JSPG 引导的下游情境 ASR 模型在关键词识别准确率上实现了显著提升。
引用
@article{arxiv.2605.16896,
title = {JSPG: Dynamic Dictionary Filtering via Joint Semantic-Pinyin-Glyph Retrieval for Chinese Contextual ASR},
author = {Shilin Zhou and Zhenghua Li},
journal= {arXiv preprint arXiv:2605.16896},
year = {2026}
}