该论文研究针对实时自动语音识别（ASR）系统的对抗性攻击。实时ASR系统必须在严格的时间约束下处理声学输入，转录决策基于不完整信息，这种因果约束成为攻击者的信息瓶颈，显著限制了攻击性能。作者提出一种名为“Semantic Gambit”的新型攻击方法，通过实时利用大语言模型（LLM）提供的预测上下文来打破这一因果限制。具体而言，攻击者在生成对抗性扰动时，不仅考虑当前声学帧，还利用LLM基于之前已转录文本预测后续可能的词汇，从而在时间上提前优化扰动，使ASR系统产生更高的词错误率（WER）。实验表明，该方法将语料级WER提升至35.6%，相比当前最先进方法提高了三倍。该工作揭示了低延迟LLM工具如何被系统性地利用来破坏实时ASR流程。论文主要贡献包括：定义并量化因果约束对攻击性能的影响；提出利用LLM先验的对抗攻击框架；在多个ASR模型和数据集上验证有效性。适合ASR安全、对抗性机器学习、以及语音助手安全领域的研究者和工程师阅读。