热词偏置（Contextual Biasing）指的是：在语音识别（ASR, Automatic Speech Recognition）解码的时候，临时给一份指定词表加权，让系统更倾向于把听到的声音认成这些词。词表是你自己给的，可能是产品名、人名、地名、药名、型号、行业黑话。
为什么需要它
语音识别做的事，本质上是"听着声音猜字"。它同时依赖两样东西：声学模型（Acoustic Model）判断这段声音像哪些音，语言模型（Language Model）判断哪个词序列更像人话。问题在于，通用语言模型是在海量日常语料上练出来的，它脑子里"常见"的词是"今天天气""会议纪要"，而不是"星野""铱星""枯草芽孢杆菌"。所以你说一个生僻人名，它十有八九给你写成发音相近的常用词。
打个比方：这就像你请了一位速记员，他中文很好，但你今天要讲一堆内部代号。开讲前你递给他一张小纸条，写着"今天会提到：磐石、澜舟、K2、羧甲基纤维素"。他未必认得全，但至少听到相似发音时会优先往纸条上靠，而不是随手写成"盘石""兰舟"。热词偏置就是这张纸条——不改速记员的脑子，只影响他这一次的判断。
工程上的常见做法有两类：一类是在解码打分时加一个偏置项，把热词对应的路径分数抬高（常说的 shallow fusion 属于这一类）；另一类是给模型加一个"上下文编码器"，让它边听边参考词表，把注意力往相关发音上引。具体实现各家不同，以官方文档为准。
和相邻概念的区别
容易和它混起来的，是下面三个东西：
| 做法 | 生效时机 | 更新成本 | 主要风险 |
|---|---|---|---|
| 热词偏置 | 解码时实时生效 | 换一份词表就行 | 权重给太大会"幻听"，没说的词也认出来 |
| 模型微调 | 训练阶段永久写进参数 | 要重新训练、重新部署 | 成本高，小数据容易过拟合 |
| 后处理替换 | 识别完成之后 | 改规则或改映射表 | 上下文对不上时会改错，把对的改成错的 |
| 唤醒词检测 | 常驻监听 | 固定 | 目标不是转写，只是判断"有没有出现" |
一句话概括差别：微调是"改脑子"，偏置是"递纸条"，后处理是"事后改稿"。偏置的好处是随时可换、不动模型；代价是它只是"倾向"，不是"保证"。
对从业者和普通人的意义
对做语音产品的人，热词表应该被当成一个可运营的配置项，而不是写死在代码里的常量。几个实操要点：词表别无限膨胀，几千上万条之后收益会明显衰减甚至互相干扰；给多音字、英文缩写、中英混读的词补上发音标注，效果通常比单纯堆词更好；偏置强度要可调，宁可少召回也别硬凑。
对普通职场人，你在会议转写、语音输入、自动字幕里觉得"它这次居然听懂了我的专业名词"，背后多半就是这个机制在起作用。反过来说，既然它能被"引导"，也就意味着它可能被过度引导——所以看到转写结果里的专有名词，顺手核对一下，尤其是数字和型号。