arXiv cs.CL· Wanyi Ning, Yinshang Guo, Haitao Qian, Jiyuan Cheng, Wei Zhou, Weiyuan Feng, Yufei Zhang·· 12 小时前AI 评分32
FormalASR：端到端中文口语转正式文本，0.6B 与 1.7B 两个版本
FormalASR: End-to-End Spoken Chinese to Formal Text
AI 导读
FormalASR 推出 0.6B 和 1.7B 两个紧凑端到端模型，可将中文口语直接转写为正式书面文本，部署时无需后处理 LLM。团队基于 LLM 改写与质量过滤构建 WenetSpeech-Formal 和 Speechio-Formal 两个大规模数据集，并对 Qwen3-ASR 进行监督微调。
正文 · AI 翻译
摘要：自动语音识别（ASR）系统通常针对逐字转写进行优化，会保留不流畅表达、填充词和非正式口语结构，这些内容往往不适合下游的写作类应用。一种常见的变通方案是采用两阶段 ASR+LLM 流水线进行后期编辑，但这种设计会增加延迟和内存开销，且难以在设备端部署。我们提出 FormalASR，这是两个参数量分别为 0.6B 和 1.7B 的紧凑型端到端模型，可直接将中文口语转写为正式书面文本。为支持这一设定，我们构建了 WenetSpeech-Formal 和 Speechio-Formal 两个大规模口语到正式文本数据集，通过基于 LLM 的改写和质量过滤构建而成。随后，我们在两种模型规模上对 Qwen3-ASR 进行监督微调。在 WenetSpeech-Formal 和 Speechio-Formal 上的实验表明，FormalASR 相比逐字转写基线最高实现 37.4% 的相对 CER 降低，同时提升了 ROUGE-L 和 BERTScore。FormalASR 在部署时无需后处理 LLM，为口语到正式文本转写提供了一种轻量化的设备端解决方案。
| 学科： | 计算与语言（cs.CL）；人工智能（cs.AI） |
| 引用为： | arXiv:2605.19266 [cs.CL] |
| （或 arXiv:2605.19266v4 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2605.19266 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Wanyi Ning [查看邮箱]
[v1]
2026年5月19日星期二 02:27:27 UTC（1,244 KB）
[v2]
2026年6月6日星期六 08:09:32 UTC（1,244 KB）
[v3]
2026年6月26日星期五 09:28:46 UTC（1,244 KB）
[v4]
2026年10月22日星期四 08:03:44 UTC（1,319 KB）
来源：arXiv cs.CL · arxiv.org