AutoTerm-SST usuwa barierę konieczności przesyłania glosariusza przed każdą sesją tłumaczenia mowy, pozwalając systemowi na automatyczne dostosowanie się do terminologii bieżącego wygłosu. Zamiast zmuszać użytkownika do wyboru domeny i przygotowania słownika, system organizuje dużą katalogię terminologiczną na fragmenty tematyczne oraz dopasowuje streaming kontekstu tłumaczenia do prototypów bilingual slices, aktywując kompaktny zestaw roboczy pod stałymi budżetami retrieval i prompt.
Problemem istniejących podejść retrieval-augmented do tłumaczenia mowy jest to, że połączenie każdej domeny w jeden rosnący glosariusz prowadzi do konkurencji między zbyt wieloma nieistotnymi terminami. AutoTerm rozwiązuje to poprzez selektywne routowanie - system analizuje kontekst na żywo i dynamicznie wybiera tylko odpowiednie fragmenty tematyczne. Na testach z pięcioma wykładami konferencji ACL i pięcioma wykładami z onkologii system osiągnął dokładność terminologiczną 88,3% i BLEU 45,09, co odpowiada wydajności systemów z wcześniej znaną domeną, ale bez żadnych danych wejściowych od użytkownika.
Wyd performance jest kluczowy dla praktycznego wdrożenia - całe rozwiązanie działa z RTF 0,406 (real-time factor), co oznacza że może przetwarzać mowę szybciej niż się ona rozgrywa. Host vLLM utrzymuje 32 jednoczesne sesje, co czyni system skalowanym dla rzeczywistych scenariuszy. Porównanie z tradycyjnym podejściem jednego miliona wpisów w słowniku pokazuje, że AutoTerm poprawia dokładność terminów o 3,9 punktu i BLEU o 2,30, demonstrując znaczący skok w jakości bez dodatkowego kosztu obliczeniowego.