无分词边界的语音上下文偏置：深度门控与读音空间匹配

上下文偏差为 ASR 系统提供了推理时的预期单词列表，但现有方法依赖于日语和中文不提供的单词边界。我们提出了一种用于冻结公共 CTC 模型的无边界偏置解码器，该解码器基于字符级 Aho-Corasick 自动机构建，无需训练，也无需第二遍。两种基于证据的机制取代了边界：一个深度自适应门，用于设置从匹配深度推动的难度，以及当音频正确但字符错误时的阅读空间匹配。在 Aishell-1 NE 的硬 R1 子集上，我们达到了 66.5% 的召回率，高于经过训练的 CLAS 基线 (64%)，无需重新调整即可转移到 WenetSpeech 和第二个架构。我们发布了第一个开放的日语上下文偏差基准，其中偏差将稀有词召回率提高了 25 个百分点，精确度高于 97%，而对于 1,000 个单词的列表，仍将其提高了 19 和 22 个百分点。