双向交叉解码器提升关键词检出性能：27.8%与18.4%的相对改善

本文主要探讨了一种用于关键字识别的双向交叉字解码器，这是一种在基于子词声学建模的关键字检出系统中应用的创新解码算法。传统的关键字检出方法通常分为两类：一类是基于声学建模，通过并联非关键词模型和关键词模型构成搜索网络，这种方式虽然实时性好且词表可灵活配置，但词内搜索在网络的词首尾可能无法充分利用上下文相关的子词模型，限制了性能。另一类是基于大词表连续语音识别（LVCSR）的SpokenTermDetection，虽然能处理复杂的搜索空间，但速度慢，不适合在线识别。 作者刘雨辰和徐明星针对这些局限，提出在词内搜索网络上实施跨词搜索，引入反向搜索网络，通过逆向输入语音的方式，实现双向搜索策略。这种方法旨在通过减少剪枝风险，提高解码效率。实验结果显示，这种双向跨词搜索算法相比于词内搜索表现出显著的性能提升，特别是在两个测试集上分别提高了27.8%和18.4%的准确率。同时，双向搜索策略对于有剪枝的跨词搜索也带来了一定的优化，提升了1.9%和1.7%的性能。 整词建模虽然简单直观，但对词表更换要求高，难以满足快速调整的需求。相比之下，子词建模更具有灵活性，通过将关键词的音素或三音素模型串联起来，同时并联词的拼音模型，可以更好地捕捉语音特征，适应实际应用的变化。双向搜索策略的引入进一步优化了整个系统的性能，使得基于子词声学建模的关键字检出系统在实时性和适应性方面取得了突破。 总结来说，本文的研究重点在于设计一种高效且灵活的解码算法，利用双向搜索和子词建模技术来提升关键字检出系统的性能，特别适合于实时性要求高、词表动态变化频繁的场景。这为语音识别领域的实时性和准确性提供了新的解决方案。