arXiv cs.CL· Abhishek Kumar, Aashraya Sachdeva·· 2 天前AI 评分31
RECOVER:用多假设智能体编排实现 ASR 实体纠错
RECOVER: Robust Entity Correction via agentic Orchestration of hypothesis Variants for Evidence-based Recovery
AI 导读
RECOVER 是一个面向 ASR 后处理的智能体实体纠错框架,利用多个识别假设作为证据检索实体,再由 LLM 在约束下提出修正并经确定性护栏与 LLM 评审过滤,必要时触发反馈轮次找回首次遗漏的实体。
正文 · AI 翻译
摘要:自动语音识别(ASR)中的实体识别对于罕见和领域特定术语颇具挑战。在金融、医疗和空中交通管制等领域,这类错误代价高昂。如果某个实体完全未出现在 ASR 输出中,仅靠文本的后校正几乎没有信号可用于恢复它。为解决这一问题,我们提出 RECOVER,一个基于智能体的 ASR 后实体校正框架。它利用多个假设作为来自 ASR 的证据,检索相关实体,在约束下提出大语言模型(LLM)校正,通过确定性护栏进行过滤,并使用 LLM 评审器对每个存留的编辑进行评判,且可触发一轮针对性反馈以恢复首轮遗漏的实体。这些假设由若干策略之一使用,即 1-Best、Entity-Aware Select、识别器输出投票错误削减(ROVER)集成、LLM-Select 和自适应路由。在 Whisper-large-v3 基线上跨五个多样化数据集进行评估,它实现了实体短语词错误率(E-WER)最高 49% 的相对降低,并将实体召回率最高提升 14 个百分点,同时保持整体词错误率(WER)不变,其中 LLM-Select 是最强策略。
| 评论: | 已被 EMNLP 2026 Industry Track 接收 |
| 主题: | 计算与语言(cs.CL);音频与语音处理(eess.AS) |
| 引用为: | arXiv:2603.16411 [cs.CL] |
| (或此版本的 arXiv:2603.16411v2 [cs.CL]) | |
| https://doi.org/10.48550/arXiv.2603.16411 由 DataCite 颁发的 arXiv DOI |
|
| 期刊 参考: | Proceedings of the 2026 Conference on Empirical Methods in Natural Language Processing: Industry Track, pages 2939-2951, Budapest, Hungary |
| 相关 DOI: | https://doi.org/10.18653/2026.emnlp-industry.173
链接到相关资源的 DOI |
提交历史
来自:Abhishek Kumar [查看邮箱]
[v1]
2026年3月17日 星期二 11:48:12 UTC(96 KB)
[v2]
2026年11月13日 星期五 15:38:12 UTC(42 KB)
来源:arXiv cs.CL · arxiv.org