Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > eess > arXiv:2509.15095

帮助 | 高级搜索

电气工程与系统科学 > 音频与语音处理

arXiv:2509.15095 (eess)
[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

Authors:Yutong Liu, Ziyue Zhang, Cheng Huang, Yongbin Yu, Xiangxiang Wang, Yuqing Cai, Nyima Tashi
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。
摘要: Automatic Speech Recognition (ASR) systems remain prone to errors that affect downstream applications. In this paper, we propose LIR-ASR, a heuristic optimized iterative correction framework using LLMs, inspired by human auditory perception. LIR-ASR applies a "Listening-Imagining-Refining" strategy, generating phonetic variants and refining them in context. A heuristic optimization with finite state machine (FSM) is introduced to prevent the correction process from being trapped in local optima and rule-based constraints help maintain semantic fidelity. Experiments on both English and Chinese ASR outputs show that LIR-ASR achieves average reductions in CER/WER of up to 1.5 percentage points compared to baselines, demonstrating substantial accuracy gains in transcription.
主题: 音频与语音处理 (eess.AS) ; 人工智能 (cs.AI)
引用方式: arXiv:2509.15095 [eess.AS]
  (或者 arXiv:2509.15095v2 [eess.AS] 对于此版本)
  https://doi.org/10.48550/arXiv.2509.15095
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Yutong Liu [查看电子邮件]
[v1] 星期四, 2025 年 9 月 18 日 15:50:54 UTC (3,993 KB)
[v2] 星期六, 2025 年 9 月 20 日 12:01:56 UTC (3,993 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
许可图标 查看许可
当前浏览上下文:
eess.AS
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-09
切换浏览方式为:
cs
cs.AI
eess

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

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

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

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.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号