VISH-ASR: Viterbi-Guided Selection of Hotwords for Speech-LLM Contextual ASR

{"tags": ["ASR", "Speech-LLM", "Hotword Selection", "VISH", "Viterbi Search", "CTC Posteriors", "Contextual ASR"], "risks": ["Hiệu năng phụ thuộc trực tiếp vào chất lượng của CTC posteriors đầu ra; nếu âm thanh quá nhiễu hoặc phát âm lệch chuẩn có thể gây sót từ khóa.", "Chưa có thông tin kiểm chứng trên các ngữ cảnh ngoài 5 benchmark đã thử nghiệm hoặc các hệ thống nhận dạng đa ngôn ngữ phức tạp."], "category": "Research", "entities": ["VISH", "M-VISH", "Bi-MVISH", "Viterbi-guided Selection of Hotwords", "Speech-LLM"], "summary_vi": "VISH là khung làm việc không cần huấn luyện (training-free), cắm-và-chạy nhằm tiền chọn lọc từ khóa (hotwords) cho mô hình Speech-LLM ASR thông qua thuật toán tìm kiếm Viterbi có ràng buộc trên phân phối xác suất hậu nghiệm CTC cấp khung hình. Biến thể M-VISH và Bi-MVISH giúp mở rộng quy mô danh sách ứng viên lớn, tăng tới 11.7% Best-F1 và giảm 75.2% độ trễ tìm kiếm so với các phương pháp hiện hành.", "key_changes": ["Đề xuất VISH (Viterbi-guided Selection of Hotwords) - khung làm việc không cần huấn luyện (training-free), cắm-và-chạy (plug-and-play) để tiền chọn lọc từ khóa cho Speech-LLM Contextual ASR.", "Xác thực trực tiếp độ khớp âm học của từng từ khóa ứng viên trên phân phối xác suất hậu nghiệm CTC cấp khung (frame-level CTC posteriors) thay vì dựa vào hypothesis rời rạc hay retrieval model phụ.", "Giới thiệu biến thể M-VISH sử dụng tìm kiếm Viterbi đồng bộ khung trên tiền tố dùng chung (shared-prefix) kết hợp cắt tỉa top-K có giới hạn, giúp mở rộng tốt cho danh sách ứng viên lớn.", "Đề xuất Bi-MVISH tích hợp thêm bằng chứng âm học chiều ngược (backward) nhằm tăng độ chuẩn xác và tin cậy khi xác minh.", "Cải thiện tới 11.7% Best-F1 tuyệt đối so với mô hình retrieval được huấn luyện chuyên biệt và giảm 75.2% độ trễ tìm kiếm ở quy mô 2.000 ứng viên so với lọc theo hypothesis."], "sub_category": "Speech-LLM / Contextual ASR", "novelty_score": 78, "business_score": 65, "research_score": 82, "why_it_matters": "Loại bỏ nhu cầu huấn luyện các mô hình truy xuất (retrieval) cồng kềnh, giải quyết nút thắt cổ chai về độ trễ và độ chính xác khi cấp phát từ khóa ngữ cảnh cho Speech-LLM, giúp triển khai ASR tùy biến theo ngữ cảnh nhanh hơn và tiết kiệm tài nguyên tính toán.", "developer_score": 75, "importance_score": 75, "possible_use_cases": ["Tích hợp vào hệ thống ASR/Speech-LLM để nhận diện chính xác danh bạ, thuật ngữ chuyên ngành, mã sản phẩm hoặc tên riêng từ danh mục từ khóa động.", "Rút gọn tập từ khóa ngữ cảnh đưa vào prompt của Speech-LLM, tránh vượt giới hạn context window và giảm chi phí suy luận LLM.", "Xử lý phụ đề và bóc băng tự động thời gian thực cho các cuộc gọi tổng đài có danh sách từ khóa lớn cần phản hồi nhanh."], "actionability_score": 70}