研究人员提出了COALA，这是一个强大的框架，旨在增强用于复杂多实体场景中自动语音识别的语音增强语言模型（SLM）。该系统通过将SLM潜在表示映射到判别空间来解决上下文窗口限制，以量化音频片段与候选实体之间的匹配强度。

  • 将SLM潜在表示映射到专门的判别空间，从大规模偏置列表中识别相关的目标实体。
  • 解决了先前研究在处理多个罕见词共现的多目标话语时的训练崩溃问题。
  • 利用对比正则化器和偏置分数估计技术。
  • 在LibriSpeech基准测试的各种偏置列表规模上展示了卓越的上下文偏置性能。