共享热词召回与请求隔离
会议里出现一个专业词,模型写成了同音词。此时先区分三件事:词是否被选中、是否进入本次提示、模型看见后是否仍然写错。它们分别对应召回、请求传递和解码能力,补词表只能解决第一类问题的一部分。
两条路径如何使用热词
截至 2026-10-18,普通 Final 与参考条件化 TS-ASR 共用解析能力,纠错方式却不同。图中上半部是普通分句路径,下半部是目标路径;预览不走普通 Final 的二次重解。
| 环节 | 普通分句 Final | 目标 TS-ASR |
|---|---|---|
| 第一遍解码 | 显式热词 + 当前场景允许的召回词 | 目标约束 + 热词,保留登记参考 |
| 拼音补召 | 内置词未进入提示、原文出现同音异字时,最多补 8 个词重解一次 | 不进入这条二次重解路径 |
| 接受条件 | 第二遍新增拼出候选词,且字符数不少于第一遍的 80% | 使用目标路径自己的受限同音纠正 |
| 失败后 | 保留第一遍;不追加直接同音改写 | 歧义、不满足锚点或不支持的片段保留原文 |
| 最后一步 | ITN 与逐块审核,保护热词字形 | 纠正后进入 ITN,不补造漏掉的语音 |
字符数门槛只是二次结果的止损条件,不是语义完整性的证明。两遍结果仍需用人工参考检查删除、插入与替换。
沿着一个错词定位
以词库中的“限时办结”为例,下表给出不同证据对应的动作。例子用于说明排查分支,不承诺每段音频都有相同结果。
| 观察到的事实 | 问题位于哪里 | 下一步 |
|---|---|---|
| 词库有词,本次提示没有 | 声学召回未选中,或被场景/预算排除 | 检查有效池、实际提示和预算;普通 Final 可拼音补召 |
| 显式只传这一条后识别正确 | 模型有能力,第一遍条件不足 | 对照单词提示与混合提示,确认是否需要补召 |
| 本次提示已有该词,仍写成同音词 | 模型看见条件后仍未采用 | 当前补召会排除它;不能靠反复加同一个词解决 |
| 模型原文正确,Final 字形变坏 | 解析、纠正或 ITN | 对照原文与各层输出,定位首次变化 |
曾经普通 Finalizer 传了热词、目标 Finalizer 却只带固定提示词,共享解析器修复了这类遗漏。它证明的是传递一致,不能据此宣称两种模型的热词准确率一致。
为什么保留重解,回退直接改写
拼音补召让模型重新听同一份 PCM。当前实现只处理不在第一遍提示里的内置词,不扫描十万级客户池,不处理预览或带登记的请求,也不无限重试。对应入口是 primary.Finalizer.homophoneCandidates 和 adoptHomophoneRedecode,开关 -asr-homophone-redecode 默认开启。
| 方案 | 受控验证 | 结论 |
|---|---|---|
| 拼音补召 + 一次重解 | 一组 55 条合成专业词样本从 43 条命中增至 48 条;1241 个 Final 中触发 8 次、采用 5 次,每次约增加 0.47 秒 | 保留;结果只覆盖该样本与构建,不能外推到全部真实录音 |
| 重解未采用后直接同音改写 | 同组仍为 48/55;通用 56 条中新增 2 处误替换,目标样本无变化 | 已回退,不是当前推荐配置 |
误替换的关键在于文字边界:“模型是”中跨词的“型是”也与“刑事”同音。仅凭发音和词库存在,无法证明这里应替换。更隐蔽的问题是执行位置:已进提示却识别错误的词被补召排除,挂在补召失败之后的改写根本碰不到这些目标错误,反而改坏了通用句子。
同音不是替换授权
普通路径的直接同音改写候选已回退。目标路径原有的受限纠正仍是另一套机制,不能把这次回退解释成所有路径都取消纠正。
共享资源与请求数据分开存
共享对象保存客户端、只读配置和词库快照。每个请求单独保存 PCM、pool ID、显式词、召回结果和模型提示;重试保留原始约束与截止时间。
| 数据 | 使用范围 | 常见错误 |
|---|---|---|
| 当前子段 PCM | 当前请求的声学召回 | 多人子段复用父段所有召回词,给无关角色错误先验 |
| 登记参考 | 目标条件与身份验证 | 把登记音频中的词召回到当前会议 |
| 内置池 | 按场景决定是否参与声学召回 | 内置池全局开启,使原本空池的普通请求也被无关词诱导 |
| 客户池 | 客户所选 pool ID,对应独立文件与缓存 | 与内置池混存,清空客户池时破坏内置资源 |
| 新快照 | 构建成功后原子替换 | 先清空旧池,再因坏文件重载失败 |
内置池的声学召回场景限制与普通 Final 的拼音索引补召是不同入口:前者按目标/参考条件筛选有效池,后者在普通最终文本上查内置词的拼音。不能看到内置池不参与该场景声学召回,就推断普通 Final 不会使用任何内置词。
Top-K、长度与超时分别控制
Top-K 只表示排名,不表示相关。相关与无关音频的召回分数曾明显重叠,尚无可靠全局分界;分数下限机制存在,但默认关闭。原生 RAG 使用 CPU/OpenBLAS,不应和角色、声纹设备图合并计算负载。
| 控制对象 | 当前边界 | 验证方式 |
|---|---|---|
| 提示词规模 | 条目上限与字符预算分别生效;字符预算 0 表示不限制 | 固定条目数、改变词长,检查截断与质量 |
| 可选召回耗时 | 从请求剩余时间分出预算,为解码预留时间 | 编码/检索超时时保留显式词 |
| 必需目标约束 | 不随召回失败降级 | 参考、目标条件与已启用门控始终保留 |
| 空池判断 | 当前场景的有效池为空才跳过编码 | 空池后新增词,下一请求可见 |
实时检索与词库导入使用不同 worker,避免大批文本编码堵住语音。缓存键绑定规范化词条与模型身份,换模型后旧向量失效。
ITN 只接受有依据的改动
语音识别正确的“一次性”“快一点”,不能为了数字规整变成“1次性”“快1点”。当前 textproc/itn_guard.go 按字对齐原文与 ITN 输出,逐个变化块决定接受或退回;号码、数数另走专用规则。
| 输入类型 | 处理目标 | 反例检查 |
|---|---|---|
| 姓名、术语、排行 | 保留词内汉字数字与提示词字形 | “王一鸣”“一号楼”不能被全局替换拆坏 |
| 日常表达 | 拒绝无依据的单字数字化及新增符号 | “一次性”“快一点”保留自然表达 |
| 时间与单位 | 数字可以规整,单位保留中文 | 不把“十分钟”机械改成 10min |
| 口述长号码 | 保留全部数字和顺序 | 检查跨角色切点、标点、短号码碎片 |
| 连续数数 | 利用递增与“十”等证据判定 | 不能把分机号当数数,也不能补写模型漏掉的项 |
目标路径受限纠正的具体条件
CorrectHotwords 只在已有文本上匹配 2~16 个汉字的等长片段。同一拼音有多个字形候选时保持原文;三个字及以上完全同音可无共享汉字,两字词和近音要求同位置字符锚点。近音还要求至少三字、仅一个音节不同且韵母相同、候选唯一。纠正在 ITN 之前执行,不负责补回缺失音频。
验收闭环
固定 PCM、提示词、池快照和模型版本,同时保留模型原文、第二遍结果、纠正结果和 Final。至少使用命中词、已进提示但仍错的词、跨词同音、无关音频、空池后新增、多池并发六类用例。日志记录触发次数、采用率、耗时与 session/trace;对外分析只展示合成词句和数值,不带原始词库或真实身份信息。
