LLM-HB：面向语码切换 ASR 的语言感知 LLM 引导热词偏置

基于摘要分析。该研究针对单个语句内语言交替导致的自动语音识别（ASR）困难，提出语言感知的 LLM 引导热词偏置框架 LLM-HB，通过多语言表征适配与热词提示改善语码切换 ASR（CS-ASR）。主要研究对象是语音识别，而非 EEG 或 BCI 信号解码。 机制方面，框架引入 mixture-of-experts（MoE）适配器和辅助语言预测头，用于更好地捕获并区分多语言表征；热词通过基于 LLM 的提示注入。摘要未说明专家路由方式、语言预测监督粒度、损失组合、提示模板及热词与识别输出的具体交互方式，这些实现条件尚未验证。 作者报告，在 ASRU2019 code-switching challenge 测试集上、含 15 个干扰热词的设置下，LLM-HB 达到 5.85% 的 mixed error rate（MER），较基线相对降低 20.30%。该相对降幅不是百分点变化，MER 也不能替换为 Accuracy。基线配置、训练数据与划分、热词构建规则、消融及统计信息尚未验证。作者称，据其所知，这是首次将 LLM 引导的偏置整合到 CS-ASR，并报告发布了提取的 ASRU2019 热词列表；摘要未提供可核对的获取方式。 对研究复现而言，重点需核对 MoE 适配器、辅助语言预测头与热词提示各自的贡献，以及不同干扰热词数量下的效果稳定性。材料未建立该方法与神经信号解码之间的具体机制对应，因此不据此提出 EEG/BCI 迁移效果或复现实验建议；相关 EEG 工作尚未检索确认。