稳健的 ASR 错误修正与保守数据过滤
内容提要
本文探讨了自动语音识别（ASR）中的误差校正（AEC）技术，提出了无监督检测框架UCorrect和基于非自回归的拼写校正模型等多种方法，以解决低资源领域的问题。这些方法显著降低了词语错误率，并在多个基准测试中表现优异。
延伸解读
无监督纠错框架的实用价值
UCorrect 作为一种无监督检测-生成-选择框架，无需微调即可将词错误率降低 6.83%，微调后可达 14.29%。这意味着在缺乏标注数据的低资源场景下，该方法能直接部署并带来显著改善，且具有竞争性的低延迟，适合对实时性有要求的应用。
非自回归拼写校正的上下文偏见增强
基于非自回归的拼写校正模型结合声学信息与文本假设，并利用语义感知的数据增强，提升了上下文偏见校正效果。实验显示，相对名称召回率增益最高可达 20.3%，且优于以往的 CSC 方法，表明该方法在需要识别特定名称或术语的场景中具有优势。
SoftCorrect 的软错误检测机制
SoftCorrect 通过专门设计的语言模型产生概率来检测单词是否正确，并采用受限制的 CTC 损失仅复制检测到的错误单词，使解码器能集中修正错误。这种机制避免了全句重写，可能减少过度校正，同时提升纠错效率。
对噪声训练数据的鲁棒性
使用 Omni-temporal Classification 训练 ASR 模型，可有效学习语音文本对齐并适应训练文本中的错误，从而在文本包含高达 70% 错误时仍避免性能下降，而 CTC 模型则完全失败。这为利用低质量或自动生成的训练数据提供了可行路径。
Q&A
什么是自动语音识别（ASR）误差校正（AEC）技术？
自动语音识别（ASR）误差校正（AEC）技术旨在解决低资源领域的问题，通过改进识别准确性来降低词语错误率。
UCorrect框架的主要优势是什么？
UCorrect框架的主要优势在于显著降低词语错误率（WER），无需微调可达6.83%，并且适用于不同解码策略和数据集。
基于非自回归的拼写校正模型如何提升校正效果？
该模型结合声学信息和文本假设，利用语义感知的数据增强模式，提升了基于上下文偏见的校正效果，名称召回率增益最高可达20.3%。
SoftCorrect方法是如何改善误差校正效果的？
SoftCorrect方法通过概率检测单词正确性，集中进行错误单词的更正，从而改善了误差校正效果。
复杂神经网络的自适应语音质量模型有什么特点？
该模型采用特征提取、声学分离和掩码优化等复杂模块，使用对比学习框架和语音质量感知损失函数，表现优于最先进的性能。
这些技术在基准测试中的表现如何？
这些技术在多个基准测试中表现优异，尤其是在CoNLL-2014、JFLEG和BEA-2019等测试中实现了最先进的性能。
