چکیده
زمینهسازی برای سیستمهای تشخیص گفتار خودکار (ASR) در محیطهای عملیاتی، اهمیتی حیاتی دارد؛ بهگونهای که جملاتِ ارائهشده توسط کاربر باید تحت محدودیتهای زمانی سخت، با دقت بالا تشخیص داده شوند. اگرچه بسیاری از روشهای تأثیرگذاری بر زمینه (context-biasing) دقت تشخیص را افزایش میدهند، اما اغلب نیازمندیهای عملیاتی سیستمهای ASR مدرن را برآورده نمیکنند: استنتاج جریانی، کدگشایی دستهبندیشده بهصورت کارآمد، فهرستهای زمینهای مخصوص کاربر، و بار محاسباتی پایین. در این مقاله، چارچوبی عملیاتی با نام TurboBias 2.0 ارائه میشود که با هدف تقویت کارآمد عبارتها در سیستمهای ASR مبتنی بر Transducer طراحی شده است. این چارچوب، TurboBiasِ بهینهشده برای GPU را با یک نمودار تأثیرگذاری غیرحساس به حروف بزرگ و کوچک (case-insensitive) و کدگشایی دستهبندیشده بر اساس جریان (per-stream batched decoding) گسترش میدهد، طوریکه هر یک از گفتارهای یک دسته میتواند از یک پیکربندی تأثیرگذاری مستقل بر زمینه بهرهمند شود. این قابلیت، تأثیرگذاری شخصیسازیشده بر زمینه را برای کاربران همزمان متعدد فراهم میکند، بدون اینکه فهرستهای زمینهای آنها با هم ادغام یا تداخل یابند. چارچوب پیشنهادی، بهصورت همزمان برای استنتاج آفلاین و جریانی پشتیبانی ارائه میدهد و با روشهای کدگشایی Greedy و جستجوی پرتو (beam-search) سازگار است. نتایج آزمایشی نشان میدهد که TurboBias 2.0، تشخیص عبارات زمینهای را بهبود میبخشد، در حالی که تأخیر پایین و نرخ پردازش بالا را حفظ میکند.