纯文本 LLM 纠错器会破坏正确转写：ASR 纠错中音频 grounding 的修复-损伤分析

Text-Only LLM Correctors Break Correct Transcripts: A Repair-Damage Analysis of Audio Grounding in ASR Error Correction

AI 导读

研究将 ASR 纠错带来的 WER 变化精确拆分为修复 token、损伤 token 和插入，发现 Gemini 2.5 Flash 仅用文本纠正自身草稿时，会破坏 13-32% 原本正确的转写，加入音频后降至 1-3%。音频使损伤在两个设置下均下降，但修复在自身草稿上减少、在独立识别器输出上增加。医疗听写场景中保留的插入抵消了净 WER 收益，而很少改动的开源 Voxtral 未出现该模式。

正文 · AI 翻译

查看 PDF HTML（实验性）

摘要：ASR 输出的 LLM 纠错器通常以整体 WER 来评判，这会掩盖它们修正了什么、又破坏了什么。我们将每一处 WER 变化精确分解为修复的 token、损坏的 token 和插入，并借此探究源音频能为纠错器带来什么。我们在三个语料库上，针对模型自身的草稿以及独立识别器的输出，比较了有音频和无音频时的纠错效果。使用 Gemini 2.5 Flash 时，仅基于文本对其自身草稿进行纠错会破坏 13-32% 原本正确的转写；加入音频后，这一比例为 1-3%。两种设置下损坏率均下降。针对自身草稿的修复率下降，而针对识别器输出的修复率上升。在医疗听写上，保留的插入抵消了净 WER 的改善。很少进行编辑的开源权重模型 Voxtral 未表现出这一模式。两组实验的提示词不同，因此这些对比只界定了音频效应的范围，而并未将其单独分离出来。

评论：	提交至 IEEE ICASSP 2027
主题：	声音（cs.SD）；计算与语言（cs.CL）
引用为：	arXiv:2610.30385 [cs.SD]
	（或 arXiv:2610.30385v1 [cs.SD] 用于此版本）
	https://doi.org/10.48550/arXiv.2610.30385 由 DataCite 颁发的 arXiv DOI（待注册）

提交历史

来自：Kirill Borodin [查看邮箱]
[v1] 2026年10月21日星期三 19:45:31 UTC（22 KB）

来源：arXiv cs.CL · arxiv.org