电气工程与系统科学 > 音频与语音处理
[提交于 2025年9月18日
(v1)
,最后修订 2025年9月20日 (此版本, v2)]
标题: 倾听、想象与优化:一种基于大语言模型的启发式自动语音识别纠正框架
标题: Listening, Imagining & Refining: A Heuristic Optimized ASR Correction Framework with LLMs
摘要: 自动语音识别(ASR)系统仍然容易出现影响下游应用的错误。 在本文中,我们提出LIR-ASR,一种利用大语言模型的启发式优化迭代修正框架,灵感来自人类听觉感知。 LIR-ASR采用“聆听-想象-优化”策略,在上下文中生成语音变体并进行优化。 引入了一种带有有限状态机(FSM)的启发式优化,以防止修正过程陷入局部最优,并且基于规则的约束有助于保持语义一致性。 在英语和中文ASR输出上的实验表明,与基线相比,LIR-ASR在CER/WER上平均降低了多达1.5个百分点,证明了在转录准确性上的显著提升。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.