在语音识别等序列转换任务中，强结构先验模型能够编码目标空间的丰富信息，通过为无效序列赋予低概率，隐式地排除其可能性。本文提出局部先验匹配（Local Prior Matching, LPM），一种半监督学习目标，通过从强先验模型（如语言模型）中蒸馏知识，为在无标签语音数据上训练的判别模型提供学习信号。我们证明，LPM在理论上具有充分依据，实现简单，且在相同设置下优于现有的知识蒸馏方法。以100小时有标签语音数据训练的基线模型为基础，额外引入360小时无标签数据后，LPM在干净和嘈杂测试集上分别将词错误率（WER）降低至全监督模型的54%和73%，显著提升了模型性能。