传统姓名匹配系统在处理跨语言、跨书写系统（如俄语“Владимир”与英语“Vladimir”）时往往失效，导致移民数据库和合规检查出现严重漏检。为解决这一难题，研究人员训练了一个基于原始 UTF-8 字节的轻量级 Transformer 模型，无需分词器或预训练骨架，即可实现跨脚本的语音姓名检索。该模型在 8 种非拉丁语系上取得了 0.775 的 MRR（平均倒数排名）和 0.897 的 R@10（前 10 个结果召回率），将拉丁与非拉丁查询之间的性能差距缩小了 10 倍。 构建大规模训练数据是成功的关键。团队利用 LLM 构建了一个四阶段流水线：从 Wikidata 中分层采样实体，生成英语名称的变体，再将其转写为阿拉伯语、中文、韩语等 8 种脚本，最终合并去重，生成了 467 万组正样本对。模型采用对比学习策略，利用 InfoNCE 损失函数和 ANCE 硬负采样机制，动态筛选语义相近的错误匹配作为训练样本，迫使模型区分发音相似但指代不同的人物。 实验表明，该方法显著优于传统的编辑距离、Soundex 及 BM25 算法。特别是在跨脚本场景下，传统方法的召回率接近于零，而新模型在不同脚本间保持了极高的一致性。尽管在中文和韩文等存在严重转写歧义的语种上表现仍有提升空间，但整体性能已非常稳健。此外，结合 HNSW 索引技术，系统在保持高召回率的同时大幅降低了查询延迟。该研究证明了字节级编码在消除词表限制方面的优势，以及利用大模型低成本生成合成数据解决低资源检索任务的可行性。相关代码与数据集已开源。