VISH-ASR：面向 Speech-LLM 上下文 ASR 的 Viterbi 引导热词选择

基于提示的上下文 ASR 需要从大型动态词表中选择紧凑的热词子集，但现有的预选方法要么依赖可能丢弃声学证据的离散 ASR 假设，要么依赖单独训练的检索模型。我们提出 Viterbi 引导热词选择（VISH），这是一种无需训练、即插即用的框架，能够直接基于帧级 CTC 后验概率验证候选词特定的声学支持。VISH 将预选建模为受约束的后验搜索；M-VISH 通过采用有界 top-K 剪枝的帧同步共享前缀 Viterbi 搜索，使大规模词表验证具备可扩展性；而 Bi-MVISH 则利用互补的反向证据实现稳健验证。在五个基准测试中，相较于强大的学习式检索基线，M-VISH 在 Best-F1 指标上最高取得 11.7 个百分点的绝对提升；在候选词数量为 2,000 时，相较于基于假设的过滤方法，候选搜索延迟降低了 75.2%。这些结果表明，无需额外训练模型，基于后验概率的验证即可实现准确且可扩展的热词预选。