BaLEEN：偏向于上下文感知 ASR 的潜在编码实体

转录特定领域的实体和罕见的专有名词仍然是自动语音识别（ASR）中的主要挑战。在本文中，我们提出了 BaLEEN（Biasing with Latent Encoded Entities），这是一种轻量级的、基于超网络的框架，用于动态上下文适应，无需微调底层 ASR 模型。 BaLEEN 使用预训练的语言模型对可变长度的上下文关键字进行编码，通过感知器瓶颈将它们压缩为固定的潜在向量序列，并将上下文相关的偏差向量直接注入到 ASR 模型的中间编码器表示中。由于语言模型和主干 ASR 模型在训练期间都保持完全冻结，因此 BaLEEN 作为即插即用适配器运行，在预先计算上下文偏差时，在推理时产生零计算开销。我们使用源自维基百科的语料库（带有带注释的命名实体和合成语音）在基于 CTC 的 ASR 模型上评估我们的方法。实验结果表明，相对于无偏基线，BaLEEN 在测试集上将关键字漏失率降低了 8.7%，同时将总体单词错误率提高了 21%，字符错误率提高了 28%。