不改大模型参数，如何让热词只在听到时才生效：AFG-Bias 的检索加门控

英文题目：AFG-Bias: Acoustic-Fusion-Gated Biasing for Plug-and-Play Hotword Customization in LLM-Based ASR

会议身份：conference:interspeech:2026:conference-paper-id:wu26i_interspeech

来源为官方会议 PDF；图片依据原页像素，表格数字依据原文引用。PDF 文字层不视为原始 TeX，未可靠恢复的结构不作推断。

会议来源：官方记录 · 官方 PDF

标签：#检索增强 #大语言模型 #语音 #语音识别

评分：6.9/10 | 创新 1.5/2 | 技术严谨 1.1/1.5 | 实验充分 1.2/1.5 | 清晰度 0.7/1 | 影响力 1.1/1.5 | 开源 0.0/1.5 | 可复现 0.3/0.5 | 工程/实践 1.0/1.5

排名：前50% | 文档类型：方法研究

👥 作者与机构

• Long Wu：机构信息未能从会议 PDF 纯文本可靠映射
• Lingchao Zhao：机构信息未能从会议 PDF 纯文本可靠映射
• Yuanzhong Zheng：机构信息未能从会议 PDF 纯文本可靠映射
• Haojun Fei：机构信息未能从会议 PDF 纯文本可靠映射
• Qing Yang：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

面向大语言模型自动语音识别（LLM-based ASR）热词定制任务，输入为连续语音与用户提供的领域实体列表，输出为准确转写文本，难点在于罕见实体声学证据弱而提示词注入易引发规模崩溃与上下文幻觉。该方法先由跨模态声学检索（Cross-Modal Acoustic Retrieval, CAR）在适配器共享空间中滑动对齐并筛选前5候选，再由热词增强分支融合候选与声学上下文生成偏置特征，同时由声学门控分支根据解码隐状态查询声学序列估计置信度。与直接把长列表拼入提示词不同，该框架将稀疏词汇偏置加到冻结解码logits上，且只有门控与注意力同时确认才注入，从而在表示层抑制无关干扰。在金融测试集上FireRedASR基座字符错误率（Character Error Rate, CER）从6.04%降至2.96%，热词F1达94.7%；OSUM基座相对下降74.1%至2.83%。在Test-AISHELL-1-NE上FireRedASR的F1从83.3%提升至86.5%，CER基本保持。该结论依赖适配器特征质量与中文短实体场景，在长尾发音变体与跨语言外推上尚未验证。原文未披露训练、推理或部署成本。

🔗 开源与复现资源

本次未形成可展示的已核验资源记录，开放状态尚未核实。 可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。

🧭 深度解读

输入是什么，目标是什么，为什么新生要先看懂这件事？

这篇解读的输入是论文正文证据与 4 张官方原图像素，目标是让刚进入语音识别与大模型交叉方向的研究生能复述 AFG-Bias 的方法与实验条件。必须保留的信息包括任务定义、冻结与训练边界、检索与门控 2 阶段计算、训练监督来源、3 个主干上的领域与通用评测数字，以及提示词注入崩溃与门控缺失的反例。输出是 1 篇按学习依赖展开的中文技术解读，不做营销判断，不补证据之外的公开性断言。 任务本身是基于大模型的语音识别中的热词定制。

系统输入是一段语音和一份用户给的实体名单，名单里是人名、药名、金融代码这类训练中少见但业务价值高的词。输出是转写文本，要求当音频里确实说出名单中的词时能写对，当音频里没说时不能硬造。白话说，热词定制就是告诉系统这些词很重要，但前提是耳朵真的听到了。英文叫 hotword customization 或 contextual biasing。

难点在于大模型语音识别的主干已经很会写通用句子，它的文本先验很强，一旦把几百个候选词直接塞进提示词，模型会被文本干扰带偏，把没说过的干扰词也写出来，这就是论文反复说的上下文幻觉。 沿一个样本走一遍有助于建立全局感。假设输入是一句包含重庆美女谢颜溪的中文语音，热词名单里既有谢颜溪也有二沙、黄二丹等干扰项。

理想流程是先用声音把谢颜溪挑出来，再在解码器写到谢、颜、溪这几个位置时适度加分，其他位置不加分，干扰词全程不加分。AFG-Bias 就是把这个直觉拆成两步机械动作，第一步叫跨模态声学检索，第二步叫声学融合门控。第一步管挑谁，第二步管何时推、多用力推。后续各节先讲已有路线为何做不到这一点，再讲这两步的具体输入表示、计算目标、训练与推理，最后用领域实验、可扩展性实验和通用集实验验证。

已有三条路线各解决了什么，又在哪里失灵？

理解 AFG-Bias 需要先区分 3 条已有路线。第一条是浅融合，白话是解码时再加一个外部分数。英文是 shallow fusion。它在传统束搜索里调整分数很自然，但大模型是逐词元自回归生成的，结构上不直接兼容。第二条是深层上下文建模，白话是在声学编码器与文本之间加注意力做对齐。

英文是 deep contextualization。它在传统端到端模型里有效，但论文指出这类结构是为传统模型定制的，在生成式大模型语音识别里尚未被探索。第 3 条是提示词注入与检索增强，白话是把候选名单拼进文本提示。英文是 prompt injection and retrieval-augmented generation。这种方法不用改结构，看似即插即用，但把原始大名单直接注入会覆盖声学接地，触发严重的上下文幻觉，把未接地的干扰词强行写进输出。

论文还提到另外两种改参数思路作为对照。一是强化微调改变主干参数，二是任务向量算术存在组合干扰。它们的问题是动了主干，不再是冻结即插即用。AFG-Bias 的定位因此很明确，在冻结大模型语音识别结构的前提下，同时解决可扩展性限制与上下文幻觉。所谓冻结，是指大模型、语音编码器和适配器都不更新，只训练新增的热词增强模块。

所谓即插即用，是指同一个轻量模块思想可以搬到不同主干上，论文在 3 个顶级主干上都做了验证。

浅融合 × 提示词注入： 浅融合是在束搜索阶段调整外部语言模型分数，提示词注入是把候选名单直接拼进大模型文本提示，两者分工都是给解码加外部知识，但前者与生成式解码结构不兼容，后者绕开结构却失去声音接地，AFG-Bias 正是为了同时避开这两条路的缺陷而把偏置放在声学证据之后。

要解决的问题与不能碰的约束是什么？

形式化一下问题。输入是连续语音帧序列与一个可能很大的热词表，热词表包含目标实体与大量无关干扰项。输出是词元序列。评价既看整体转写字错率，也看热词召回率与 F1。字错率越低越好，召回率与 F1 越高越好。

约束有 3 条，第一不能修改大模型参数，第二候选规模要能从几十扩展到上千，第三不能因为加了名单就把通用句子的质量拖垮。 教学例子可以帮助区分指标。假设金融测试集有 200 条语音和 200 个热词，系统把其中 180 个目标写对但把 10 个干扰词也写了进去，召回率会体现找全能力，F1 会同时惩罚找错，而字错率会反映这些错误对整句的拖累。这就是为什么论文同时报告字错率与召回率和 F1。需要强调的是，例子中的数字只是为了讲清指标分工，不是论文报告的效果。

论文的实际数字只出现在后文实验节，并与数据集、主干和提示策略绑定。 另一个关键约束是声音接地。提示词注入失败的根源是只看文本相似或全部照单全收，没有用连续声学证据先验证候选是否出现。AFG-Bias 把验证提前到声学层面，用适配器输出的连续声学特征与热词子词嵌入做滑动窗口对齐，只有声学上对得上的才进入后续加权。这一步是可扩展性的基础，也是抑制幻觉的结构前提。

AFG-Bias 的全景分工：谁检索，谁把关，谁执行？

AFG-Bias 的全景可以记成 3 段。左下是跨模态声学检索，负责从热词名单中选出前 K 个声学相关的候选。右上是热词增强与门控，负责把候选融合成偏置方向并计算置信门。中间是冻结的大模型解码器，负责在每个自回归步骤把稀疏偏置加到原始词表 logits 上。编码器、适配器与大模型全程冻结，只有热词增强模块被训练。

图注原话强调了这一点，解读时要把冻结边界作为复现第一检查点。 具体数据流是这样的。语音先经过编码器与适配器得到连续声学特征，热词名单先经过大模型分词器得到子词嵌入。检索模块用滑动窗口计算两者余弦相似，输出前 K 个热词，再用单向长短期记忆网络编码成上下文热词嵌入。与此同时，解码器在生成过程中提供大模型隐状态与声学序列，分别进入热词注意力分支与声学注意力分支。

左分支生成融合后的热词特征，右分支生成门概率，两者相乘后再经词表投影、非线性与稀疏掩码形成最终偏置向量，加到解码 logits 上。

跨模态声学检索 × 声学融合门控： 跨模态声学检索负责从大候选表中找出声音上真正出现过的热词，声学融合门控负责判断当前解码时刻是否值得注入偏置，两者搭配的原因是只检索不门控会把相似但未说出的词硬塞进去，只门控不检索则没有候选可用，组合后形成先验证再加权的置信回路。

下面这张结构图值得新生沿箭头走两遍，第一遍看主路径，第二遍看支路汇合。图前导读已经说明观察顺序，图后解释会把左右子图对应到正文小节。

看图路径： 1. 先沿底部音频波形经编码器和适配器到大模型的纵向主路径看信息流向；2. 再看左侧热词名单经检索和单向长短期记忆网络进入热词增强的支路；3. 比较右上热词增强子图内左分支注意力与右分支门控在门交互处汇合的位置；4. 确认图注中冻结与训练模块的灰色与彩色区分

论文图 1。原论文 Figure 1：“AFG-Bias architecture. The LLM, encoder, and adapter are frozen, while the hotword-enhancement module is trained.”。

图中左侧大框展示了整体即插位置，热词名单在底部经检索进入增强模块，增强输出的偏置与大模型输出做加权求和。右上子图是热词增强内部，热词嵌入经热词注意力、残差相加与层归一化得到融合特征，大模型隐嵌入经声学注意力、拼接与门控多层感知机加 Sigmoid 得到门，两者在门交互处相乘，再经偏置投影、非线性与掩码得到稀疏偏置。右下子图是检索内部，热词名单分词后与适配器特征做滑动窗口、余弦相似与前 K 选择。

像素细节显示各模块用颜色区分来源，绿色偏热词，黄色偏声学，橙色偏大模型隐状态，蓝色偏检索操作。这种配色有助于快速定位信息来源，但复现时仍以正文符号与冻结说明为准。

跨模态声学检索如何在一句话里定位热词？

跨模态声学检索的输入有两类。第一类是 T 帧的归一化连续声学特征，来自语音识别适配器，记为 Es。第二类是长度为 L 个子词的热词候选嵌入，记为 Eh。两者都已归一化，因此点积即余弦相似。白话说，Es 是耳朵听到的连续表示，Eh 是名单中某个词的文本表示，检索要回答这个词是否在这段声音里出现过，以及出现在哪个时间段。

计算目标是给每个候选词一个全局存在分数。做法是滑动窗口对齐。设每个子词对应 tau 帧声学感受野，则整个词对应窗口宽 W 等于 L 乘 tau。从偏移 p 开始，第 i 个子词的局部对齐分数是它与对应 tau 帧声学块中最大点积。把 L 个子词的最大值平均，并在所有允许的 p 中取最大，就得到该词的分数。

这个最大均值形式的作用是吸收发音时长变化，不同语速下词的跨度不同，取最优连续窗口可以自适应定位。最后取分数最高的前 K 个热词，用单向长短期记忆网络编码成上下文热词嵌入 H。 实现细节按原文交代。推理时检索参数取 K 等于 5，tau 等于 3。训练时动态采样长度 2 到 8 个字符的热词，采样概率 0.75，双热词概率 0.1。

这些数字决定了训练见过的候选分布与推理剪枝规模，复现时要保持一致。需要指出的是，原文未报告滑动步长与归一化之外的预处理细节，这部分属于缺项，不从模型名称推定实现。检索的意义在于把上千规模的大名单先压缩到小集合，后续提示词加检索基线也复用了这一模块做预过滤，但论文显示只做预过滤仍不够，还需要门控。

热词增强 × 声学门： 热词增强负责把检索到的热词嵌入和声学上下文融合成面向词表的偏置方向，声学门负责用大模型隐状态查询声学序列得到 0 到 1 之间的置信度，两者相乘的理由是方向决定推向哪个字，强度决定推多用力，组合后非目标时刻即使方向存在也会被关断。

热词增强与门控如何做到只推该推的字？

热词增强模块有 3 个阶段。第一是热词特征生成，左分支把热词嵌入 H 与声学上下文 A 经热词注意力融合，再做残差相加与层归一化得到 C。第二是声学门生成，右分支用当前解码步的大模型隐嵌入查询声学序列得到注意力上下文，再与声学嵌入拼接，经门控多层感知机与 Sigmoid 得到门概率。第三是偏置生成，把门概率与热词特征相乘，再经词表投影矩阵与偏置、非线性激活与目标稀疏掩码，得到稀疏偏置向量。掩码的作用是把非热词词元统一置零，从结构上阻止幻觉。

关键是门与注意力的乘积关系。注意力热图对齐到有效实体而忽略干扰项，门曲线调节整体注入强度，最终注入是两者乘积。非目标词元即使注意力有残余，也会因门关闭或掩码置零而不被偏置。论文用中文样例说明，门在结尾标记处关闭以防止尾随幻觉。新生容易误以为门控只是阈值开关，实际上它是每个解码步的连续置信度，与词表方向相乘后才决定加多少。

训练时有两个互补损失。热词识别损失在热词对齐位置上直接对未掩码的稠密投影算交叉熵，目的是让网络在整个词表上主动抑制非热词。门监督损失用二值标签监督门概率，标签为 1 当且仅当第 t 个解码词元属于有效目标热词区间，处理负向干扰时为 0。总损失是两者加权，门权重取 0.2。推理时偏置权重 alpha 取 0.4，加到冻结大模型的预 softmax logits 上再做 softmax。

由于稀疏掩码把非候选词元置零，偏置在数学上只会把解码推向已验证的子词，同时保持有效归一化分布。

训练时谁冻结谁更新，监督信号从哪里来？

参数边界是复现最重要的检查点。训练期间所有主干大模型保持完全冻结，编码器与适配器也冻结，只有热词增强模块被训练。模块内部采用 256 维隐维度与单层单向长短期记忆偏置编码器。优化目标是热词识别损失加门监督损失，门权重为 0.2。梯度路径按原文只进入新增模块，不进入主干。

原文未报告优化器类型、学习率、训练轮数与硬件预算，这些属于具体缺项，复现时需先做小规模超参数搜索并记录，不能从主干名称推定训练配置。 监督信号来自动态热词构造，避免人工标注。采样器从每条训练转写中动态抽取 1 到 2 个连续字符跨度作为目标热词，长度 2 到 8 字符，采样概率 0.75，双热词概率 0.1。在原始序列中定位这些跨度，标记热词对齐的词元位置用于监督，其他位置用负值掩掉。门标签是词元级二值标签，有效目标热词区间为 1，其他包括负向干扰都为 0。

这种构造的好处是训练见过大量随机目标与干扰组合，对推理时的大名单干扰有一定鲁棒性。 推理分两步。第一是候选剪枝，给定大词表，用检索抽出前 K 个候选以保持效率。第二是对数域融合，在解码步 i 把冻结大模型的预 softmax logits 与偏置向量按权重 alpha 相加。论文推理取 K 等于 5，tau 等于 3，偏置权重 0.4。

消融显示权重从 0.1 增大到 0.4 有显著增益，之后进入平稳平台，对进一步增大有较强鲁棒性。

候选剪枝 × 对数域融合： 候选剪枝是在推理开始前用检索把大词表压缩到前 K 个， 对数域融合是在每个解码步把稀疏热词偏置向量加到冻结大模型的预 softmax logits 上，前者管效率和干扰规模，后者管如何不破坏归一化分布地转向，组合后大名单也能保持小开销推理。

热词识别损失 × 门监督损失： 热词识别损失监督未掩码词表投影在热词对齐位置上分对正确字，门监督损失用二值标签监督门控在热词区间开、在干扰区间关，前者管方向准不准，后者管开关对不对，搭配原因是只学方向会导致处处都想偏置，只学开关则不知道推向哪个字。

数据、主干与基线条件是否可比？

训练数据用普通话语音识别常用的开放集，评测用开放热词子集与两个内部领域集。论文用 AISHELL-1 与 KeSpeech 训练增强模块，评测用 SeACo 热词子集与金融、医疗领域集。测试集统计按原文交代，开发集 1334 条语音对应 371 个热词，测试集 808 条对应 226 个，金融 200 条对应 200 个热词，医疗 1000 条对应 1000 个热词。报告指标是字错率与热词召回率和 F1。字错率越低越好，召回率与 F1 越高越好。

需要区分的是，相对百分比与绝对百分点不同，后文 74.1% 是相对下降，5.4 是 F1 的绝对点数提升。 主干覆盖 3 个自回归大模型语音识别系统，分别是 FireRedASR、OSUM 与 Kimi。增强模块训练时主干完全冻结。基线包括无偏置主干、全部热词经提示词注入、经检索预过滤后再提示词注入，以及 FunASR-nano 的标准化提示词注入。论文明确说明 FunASR-nano 原生检索机制未开源，因此只用标准化提示词注入做评估，不将其原生检索当作可比对象。

这种说明保留了公平性边界，解读时不应把闭源机制的缺失当作该模型的真实上限。 提示词基线的符号需要先讲清。角标十字表示把所有热词经提示词注入，角标双十字表示先用检索预过滤到前 K 个再注入。比较时必须保留原文实际可运行的策略，检索最优与 oracle 上界另行标明，不能代替可部署收益。

原文还报告了资源状态方面的约束，本次没有发现来源绑定且完成超文本传输安全协议状态验证的资源，因此不得声称代码、模型或数据已公开，只能按论文文字讨论方法可重放性。

检索可视化：声音证据是否先于文本偏置？

这一节先看检索是否真的听到了实体，而不是记住了文本。研究所用样本来自开发集编号样本，包含二七岁的重庆美女谢颜溪运用自己数学系的专业优势这句话。导读建议先看全局检索图，再看排序靠前的细粒度对齐子图，重点是黄色虚线窗口与白色折线标记的逐词元最大相似点是否沿时间推进。

看图路径： 1. 先看顶部全局检索图中横轴语音帧与纵轴候选热词的稀疏亮点分布；2. 再逐个查看下方五个排序靠前热词的细粒度对齐子图黄色虚线窗口；3. 观察白色折线标记的逐词元最大相似点是否沿时间斜向推进

论文图 3。原论文 Figure 2：“Visualization of CAR on the Dev-Aishell1-NE sample BAC009S0731W0435.”。

像素可见内容支持论文的解释。顶部全局检索图横轴是语音帧时间，纵轴是候选热词，背景多为深色低相似，只有少数位置出现亮黄色高相似峰。下方 5 个子图分别展示排序靠前热词的细粒度对齐，每个子图内黄色虚线标出最优连续窗口，白色圆点折线标出各子词的最大相似位置，亮色块集中在窗口内而窗口外保持深色。这种从全局稀疏峰到局部连续窗口的对应关系，说明检索是在子话语粒度上定位，而不是对整句取平均。

论文报告该样本对正确声学区域产生尖锐余弦相似峰，而对干扰项接近零分，后续门控可视化进一步显示注意力精确对齐到有效实体而忽略干扰。需要说明的是，像素不能精确读出每帧相似数值，解读只讲相对高低与窗口对应，不硬写具体分数。

门控可视化：注意力找方向，门决定开多大？

这一节看门控与注意力如何分工。导读建议先看上方面板粉色门概率曲线在各生成词元位置的高低，再看下面板词元到热词偏置热图中亮黄色与深色的列分布，最后核对两者在目标实体列是否同时为高。横轴是已生成词元，纵轴是候选热词，右侧色条从深到亮表示偏置强度从低到高。

看图路径： 1. 先看上方面板粉色门概率曲线在各生成词元位置的高低起伏；2. 再看下面板词元到热词偏置热图中亮黄色与深色区域的对应列；3. 核对横轴生成词元与纵轴候选热词在目标实体列是否同时出现高门控和高注意力

论文图 2。原论文 Figure 3：“Visualization of Neural Gating and Attention.”。

像素可见内容显示，上方门概率曲线在句首较低，在目标实体对应区间抬升到高位，在结尾标记处迅速关闭到零。下方热图在目标实体列出现亮黄色高值块，而干扰词所在行多为深色低值。论文的解释是注意力热图精确对齐到谢颜溪而忽略干扰，门保持开放以监测后续实体，但非目标词元因门与注意力乘积为零而不接受偏置，门在结束符处关闭以防止尾随幻觉。这种机制解释了为什么去掉门控会导致持续幻觉，而保留门控能在通用集上不拖垮整体字错率。同样，像素不能精确读出每个词元的门概率数值，解读只讲升降趋势与开关位置，不把曲线向下直接等同于性能变差。

领域集与通用集：大收益与不拖后腿是否同时成立？

领域集测的是罕见实体密集场景下的纠错能力，通用集测的是不破坏大模型原有语言生成的能力。比较问题是不同提示策略在同一主干上是否公平，公平条件是同一测试集划分与同一字错率和 F1 口径，指标方向不变。表前已提出比较问题与公平条件，表后将解释主要收益、具体代价与未胜出项。 下面两张表分别整理领域集与通用集的关键数字，数字与单位来自正文连续原句，条件、主干与指标绑定，不混放不同条件。

表后解释要区分直接报告与有限解释。

论文报告，领域集上 FireRedASR 字错率从 6.04% 降到 2.96%，相对下降 51.0%，OSUM 从 10.93% 降到 2.83%，相对下降 74.1%。基础模型范围在 4.76 到 10.93% 之间，而朴素提示词注入崩溃到 30% 以上。原因是把数百候选实体注入文本提示会压垮大模型注意力跨度，引起组合干扰并迫使模型进入过偏置幻觉循环。用检索预过滤到前 5 再提示只能带来适度增益，在目标主干上甚至仍差于无偏置基线。通用集上，论文报告 FireRedASR 的 F1 从 82.90 提升到 88.29，OSUM 字错率从 1.10% 降到 1.08%，说明精确面向罕见实体而不拖垮正常生成。

未胜出项包括 OSUM 在医疗集上偏置后字错率仍有 6.74%，以及 Kimi 在部分通用开发集字错率轻微波动，这些边界说明总体趋势不等于每组都同样强。预言实验用每条语音自身识别错误构建目标名单，OSUM 在测试集从 1.10% 降到 0.71%，相对下降 35.4%，这被标明为检索质量限制下的最大潜力，不能代替可部署收益。

拿掉哪一块会崩，调大权重会怎样？

消融与敏感性分析在金融集上用 FireRedASR 主干完成。比较问题是检索与门控各自是否必要，公平条件是同一主干、同一领域集与同一召回率和 F1 口径，指标方向是字错率越低越好、召回率越高越好。表前说明已经交代比较对象，表后解释会指出主要收益与具体代价。 下面整理表的数字全部来自正文连续原句，条件是金融与医疗领域集上的消融与可扩展性描述。表格保留原文写法与精度，不自行换算相对值。

表后解释需要同时讲收益与代价。论文报告，去掉门控会导致字错率激增到 20.18%，原因是未门控的检索信号触发持续幻觉。去掉检索则因缺失相关候选而限制改进。

偏置权重从小增大到 0.4 有显著性能增益并进入稳定平台，对进一步增大有较强鲁棒性。这支持论文的判断，即检索对候选选择必要，门控对无幻觉偏置不可或缺。未胜出项也要指出，当候选从 400 扩大到 1200 时，字错率从约 2.96% 缓慢升到 3.86%，召回率虽保持在 88.0% 以上但右侧曲线已现下行拐点，说明规模仍有代价，只是远小于提示词注入的崩溃。 可扩展性曲线的导读建议先看左图字错率随热词总数的斜率，再看右图召回率的拐点，最后比较两图在 600 到 800 区间的持平对应。

看图路径： 1. 先看左侧字错率随热词总数从 200 到 1200 变化的上升斜率和平坦段；2. 再看右侧召回率在同样横轴区间从 90.00 附近缓慢下降的拐点位置；3. 比较左右两图在 600 到 800 区间一个持平一个持平的对应关系

论文图 4。原论文 Figure 4：“Robustness analysis on the Financial dataset. We re- port CER and Hotword Recall as a function of the total number of hotwords (including irrelevant medical distractors).”。

像素可见内容显示，左图字错率横轴为热词数从 200 到 1200，纵轴为字错率百分比，曲线从约 2.96% 附近起步，在 600 到 800 区间持平，随后在 1000 与 1200 处抬升。右图召回率横轴相同，纵轴为召回率百分比，曲线在 200 到 400 保持约 90.00 高位，在 600 到 800 持平，随后在 1000 与 1200 下行。论文用金融集注入无关医疗干扰项测试抗干扰性，报告在 400 候选内高度稳定，在 1200 候选时仅轻微上升且召回率维持高位。与提示词注入在上百规模即崩溃相比，这种缓慢退化支持了声学门控在表示层过滤干扰的解释，但不能推广为候选无限增大仍成立。

哪些结论有边界，哪些验证还没有做？

先说论文直接报告的边界。第一，预言上界显示偏置能力主要受检索质量限制，检索错了后面门控再准也推错方向。第二，可扩展性测试到 1200 规模仍保持可用，但字错率与召回率都已出现缓慢退化，不能外推到更大名单或更嘈杂声学条件。第三，通用集上提示词基线呈现两难，小检索池因排除目标而幻觉，大检索池因上下文过载而崩溃，AFG-Bias 避开了这种权衡，但论文只在给定主干与给定权重下验证，换主干或换语言仍需重测。 再说未验证的推测。

论文未测量误判率、延迟、实时率与训练算力开销，因此不能承诺这些量得到改善。训练资源、推理开销、输出帧率与实际延迟要分别讨论，总体字错率下降不等于每一步解码都更快。缺失证据不是技术错误，相关性也不是因果，解读中用报告和显示表达直接结果，用支持表达有限解释，用可能和待验证表达外推。 还有信息条件缺项。原文未给出优化器、学习率、训练轮数、硬件预算、滑动步长与部分预处理细节，也未提供可验证的开源链接。

本次资源状态是没有发现来源绑定且完成安全协议状态验证的资源，因此只能写本次未能确认代码与数据可达，不能写已公开或当前可用。复现时应把这些缺项记成待补验证清单，而不是从模型名称推定实现。

要复现这篇工作，第一步先做什么？

复现先做冻结边界检查。确认编码器、适配器与大模型不更新，只训练热词增强模块，模块隐维度 256 与单层单向长短期记忆编码器保持一致。接着按原文重建动态热词采样，长度 2 到 8 字符，采样概率 0.75，双热词概率 0.1，并在原始序列中定位热词对齐位置，门标签在有效目标区间为 1 否则为 0。总损失中门权重取 0.2，推理取检索前 K 为 5、每词元感受野为 3、偏置权重为 0.4。先在金融小集上复现去掉门控即崩溃的现象，再复现权重到 0.4 进入平台期的曲线，这两个现象是方法是否接对线的快速探针。

数据与评测要与原文绑定。训练用 AISHELL-1 与 KeSpeech，评测用开放热词子集与金融 200 条、医疗 1000 条领域集，指标同时看字错率与召回率和 F1。基线必须包含无偏置主干、全部提示词注入与检索预过滤后再提示，不能只与无偏置比。提示词注入崩溃到 30% 以上是重要反例，复现时应保留该条件以确认幻觉来源。通用集上要检查 F1 提升的同时字错率不上升，若只看 F1 会掩盖对通用生成的拖累。

常见误解需要澄清。第一，冻结参数不等于系统输出确定，解码仍是自回归采样过程。第二，无训练的主干不等于整体无训练，新增模块仍需训练。第三，检索分数高不等于可以直接写答案，还需门控在正确时刻开门并经稀疏掩码过滤。第四，预言上界好不等于可部署好，前者用了每条语音的错误先验，后者只能用大名单检索。

把这些区分记清，可以避免把相关性当成因果，也避免把总体趋势推广到每组每步。

何时值得尝试这个方案，收束时带走什么？

当你的系统满足 3 个条件时值得尝试。第一，主干是大模型语音识别且不希望动参数。第二，热词名单较大且干扰多，直接拼进提示词已出现幻觉或字错率飙升。第三，有连续声学特征可用，能做子话语级对齐验证。此时先用声学检索把大名单压缩到前 5 左右，再用门控决定何时注入，比单纯把名单变长或调大提示权重更符合论文证据。

偏置权重可从小往 0.4 方向搜索，观察到平台期即停，不必追求更大。 带走的方法记忆是先验证再加权。检索回答名单里谁真的出现了，门控回答当前时刻值不值得推，稀疏掩码保证只推候选子词。训练用随机采样的目标与干扰教会模块区分这两件事，推理用加到冻结 logits 上的稀疏向量执行。领域集上的大相对下降与通用集上 F1 提升且字错率不升，共同支持了这种分工，但可扩展性退化与检索质量瓶颈提醒我们，大名单与新领域仍需补测延迟、误触发与跨主干稳定性。

最后回到学习依赖。新生复述时建议按输入到表示到组件到目标到输出的顺序讲，先说清冻结边界，再说清滑动窗口如何吸收时长变化，再说清门与注意力乘积如何关断干扰，最后用领域数字、通用数字与反例数字收尾。凡是超出证据的公开性、延迟与成本断言都不应加入，缺项如实记为待验证，这正是可核对解读的基本要求。

⚖️ 评分明细

评分属于系统判断，不是论文实验结果；八维数值与总分见页首，原始审计记录保留在后端。

• 评分规则：type-aware-v1
• 评分模型：muse-spark-1.3-contributor
• 评分请求协议：openai_responses

← 返回 interspeech-2026 论文汇总