论文导读
OPPO AI中心推出HearInContext，用3764个中英文语义样例测试语音识别能否根据对话上下文区分同音词。微调Qwen3-ASR-1.7B后，中文和英文隐式上下文目标词召回分别提高11.0和11.5个百分点，而AISHELL-1与LibriSpeech错误率变化低于0.1个百分点；提升主要针对该同音词测试。
声音相同，上一轮对话决定你说的是哪个词
语音识别遇到同音词时，仅凭波形很难判断含义。英语里的flour与flower、中文里的近音词，都需要主题和语境。很多“上下文ASR”实际依赖显式热词列表，系统事先已经知道候选词；真实对话却常只给出隐含线索，并不会直接把正确答案写在历史里。
图1：相同或相近发音可由前文语义指向不同词语。
HearInContext为同一段合成语音配上不同的助手回复，构造多种解释。隐式上下文排除候选目标词，只通过语义暗示答案；显式上下文直接点出目标；无上下文和无关上下文则分别测基础能力与抗干扰性。这样能区分模型究竟在利用语义，还是简单匹配热词。
一套音频配多种上下文，控制声学变量
基准包含1859个测试组、3764个语义测试样例，覆盖中文和英文同音或近同音词。每组共享合成语音，让不同条件的声学输入保持一致，变化只来自上下文。另有训练与开发目标，用于适配模型，并严格检查目标词不会泄漏到隐式上下文中。
图2：论文说明测试组、语言划分与目标召回评测方法。
指标同时看字符/词错误率和目标词召回。前者反映整句转写质量，后者专门检查那个容易混淆的词有没有被识别出来。显式提示通常仍比隐式语义更强，说明直接提供热词依然有效；但隐式条件更接近连续对话助手的真实需求。
下一步：把上下文识别带进真实对话
对Qwen3-ASR-1.7B微调后，中文隐式上下文目标召回提高11.0个百分点，英文提高11.5个百分点。收益还能迁移到训练时排除的显式条件，并帮助中文真实录音的热词识别。与此同时，AISHELL-1和LibriSpeech上的CER/WER绝对变化都低于0.1个百分点。
图3：论文分析隐式上下文召回提升以及通用错误率变化。
这些结果并不表示所有语音场景都提升11个点。测试围绕特定同音词构造，主要音频还是合成语音，口音、噪声、多人对话和长历史仍需单独验证。它提供的关键工具是可控评测：语音助手如果要“理解前文”，就应在不泄漏目标词、不牺牲通用转写的前提下，真正利用语义上下文纠正歧义。产品落地还要规定保留多长对话历史、如何处理无关话题，以及怎样在提升召回时避免把敏感旧信息错误带入当前转写。
真实录音中的口音、回声和多人抢话也应成为下一轮基准重点。
参考资料
https://arxiv.org/abs/2609.18680
