本文探讨了大型语言模型（LLMs）在自动语音识别（ASR）系统中的应用，旨在提高转录准确性。研究表明，LLMs能够通过上下文学习和提示技术有效修正ASR转录中的错误，尤其在医学转录领域表现突出。此外，结合声学和词汇特征的多模态系统显著提高了辨识准确性，为医疗记录的可靠性提供了希望。

本文探讨了大型语言模型（LLMs）在自动语音识别（ASR）系统中的应用，旨在提高转录准确性。研究表明，LLMs能够纠正语音识别中的错误，尤其在医学转录领域表现突出，提升了语义连贯性和准确性，为改进医疗记录的可靠性提供了希望。

本文探讨了大型语言模型（LLMs）在自动语音识别（ASR）中的应用，尤其是在错误校正和语码转换方面。研究表明，LLMs显著提高了ASR系统的准确性，尤其在有限数据下，纠错率改善可达53.9%。LLMs在医学转录和口语理解任务中表现出色，提升了转录的准确性和语义连贯性，为医疗记录的可靠性提供了希望。

本研究探讨了大型语言模型（LLMs）在医学转录中提高自动语音识别（ASR）系统准确性的潜力。通过使用PriMock57数据集对ASR生成的转录进行改善，发现LLMs特别是Chain-of-Thought（CoT）提示技术不仅改善了现有ASR系统的准确性，而且在医学转录领域表现出卓越。这些发现为改进医学ASR系统、提高医疗保健领域的病患记录的准确性和可靠性带来希望。