语音识别技术在日常业务场景中的应用越来越广泛，但通用模型对特定领域术语（如医疗药品名、方言词汇）的识别准确率往往不尽如人意。热词（Hotword）功能正是解决这一痛点的关键技术。

1. 为什么需要热词功能？

传统ASR系统面临两个核心问题：

• 领域术语识别率低：通用语音模型对"二甲双胍"等专业词汇的识别错误率高达30-40%
• 动态适应成本高：每次新增热词都需要重新训练模型，耗时且不灵活

FunASR通过解耦热词处理与基础模型，实现了以下突破：

• 支持运行时动态加载热词表
• 可配置权重调节识别优先级
• 兼容多种编码格式（UTF-8/GBK）

2. 核心特性解析

2.1 权重机制

通过调整boost参数控制热词的识别强度，取值范围通常为1.0-10.0：

• 1.0-3.0：轻度增强
• 3.0-6.0：业务术语推荐区间
• 6.0+：关键指令级词汇

2.2 动态加载

支持两种更新方式：

1. 配置文件热更新（推荐）
2. API实时推送

3. Python实战示例

from funasr import AutoModel

# 初始化模型
model = AutoModel(model="paraformer-zh",
                 model_revision="v2.0.4",
                 vad_model="fsmn-vad")

# 热词配置示例
hotwords = {
    # 格式: "热词": 权重
    "二甲双胍": 5.0,
    "阿卡波糖": 4.2,
    "胰岛素": 6.5  
}

# 带热词的语音识别
result = model.generate(input="患者服用二甲双胍后...",
                       hotwords=hotwords,
                       hotword_max_number=10)  # 最大热词数
print(result)

4. 性能优化策略

• 数量控制：单次识别建议不超过20个热词
• 延迟平衡：每增加10个热词会增加约50ms处理时间
• 分级策略：
• 高频热词：常驻内存
• 低频热词：动态加载

5. 常见问题排查

• 乱码问题：确保热词文件使用UTF-8编码
• 权重失效：检查是否超过模型最大boost值（通常10.0）
• 未触发：确认热词与语音内容完全匹配（包括标点）

6. 生产环境建议

• 更新频率：建议控制在5分钟/次以内
• 监控指标：
• 热词命中率
• 识别延迟P99值
• 权重分布曲线

思考题

当业务场景同时存在医学术语和方言词汇时，如何设计分层热词策略？是否可以通过热词组合实现简单的领域自适应？

经验分享：在某医保客服系统中，通过热词功能将专业药品名识别准确率从68%提升至92%，同时保持识别延迟<800ms。