基于大型语言模型的错误校正技术对于提高自动语音识别系统性能至关重要。本文提出两个准则确定错误校正训练数据质量，并通过保守数据筛选解决低质量错误校正数据导致模型脆弱问题。在挑战性领域外设置中显著减少过度校正，提高自动语音识别结果准确性和质量。

研究发现，训练数据的质量和数量比模型类型更重要，当训练集足够大时，模型性能接近标注者一致性。定期监视标注者一致性可以改善训练数据集和模型性能。人们认为情感类别是有序的。