研究者らは、複雑なマルチエンティティシナリオにおける自動音声認識のために、音声拡張言語モデル（SLMs）を強化するために設計された堅牢なフレームワークであるCOALAを提案する。このシステムは、オーディオセグメントと候補エンティティ間の一致強度を定量化するために、SLMの潜在表現を判別空間にマッピングすることで、コンテキストウィンドウの制限に対処する。

  • 大規模なバイアシングリストから関連するターゲットエンティティを特定するために、SLMの潜在表現を専用の判別空間にマッピングする。
  • 複数のレアワードが共存するマルチターゲット発話を取り扱う際、先行研究で発生したトレーニングの崩壊に対処する。
  • 対照的正則化器とバイアシングスコア推定技術を利用する。
  • LibriSpeechベンチマーク上で、さまざまなバイアシングリストスケールにわたって優れた文脈バイアシングパフォーマンスを実証する。