从感知到遵循：通过上下文感知解码弥合口语对话系统中的上下文差距

尽管端到端口语对话系统取得成功，但在多轮对话中保持严格的上下文一致性仍是挑战。现有研究常归因于模型遗忘对话历史，本文则指出关键瓶颈在于潜在上下文感知与主动遵循之间的差距。即使模型内部识别了相关历史话语，强大的参数先验往往在解码过程中掩盖这些信号。为此，我们提出一种适配音频的上下文感知解码（CAD）方法。该方法利用内部注意力机制隔离关键历史轮次，在推理阶段对比有无关键上下文的输出分布，直接放大多模态上下文信号。在 Audio MultiChallenge 基准上的评估显示，该方法显著提升了语义记忆和自我连贯性子任务的表现，成功实现了严格的上下文忠实遵循。