音声認識（ASR）システムは、全体の単語誤り率が低くなっても、語彙レベルの誤りを完全には排除できない。arXiv に公開された論文「Graph-Based Phonetic Error Correction of Noisy ASR」は、こうした残余誤りが意味的に重要なトークン、すなわち固有表現、否定表現、感情を伴う語に偏って発生すると指摘する。これらの語が誤認識されると文全体や段落全体の意味が歪むため、単語誤り率だけでは ASR の品質を十分に評価できないと論じている。
論文は誤りの構造的な原因にも踏み込む。ASR の残余誤りはランダムなノイズではなく、同音語や類似音の語、発音の近い固有名詞など、音韻的類似性に起因する体系的な混同であることが多い。そのため、トークン単位の単純な置換による訂正では不十分であり、候補空間が広すぎるうえに音声面の制約がないため、生成の過程で新たな文脈不整合を招きやすい。
これに対し著者らは、音声グラフモデリングと文脈的な言語理解を組み合わせた構造化 ASR 訂正フレームワーク「G-SPIN」を提案する。まずグラフニューラルネットワーク（GNN）が、フラグ付けされたトークンに対して音響的に妥当な候補近傍を構築し、訂正の探索空間を音声上の代替候補に明示的に限定する。これにより制約のない生成を回避する。続いてマスク言語モデル（MLM）が局所的な文脈スコアリングを行い、最後に指示チューニングされた大規模言語モデル（LLM）が、この小さな候補集合に対して文脈を考慮した再ランキングを実行する。
この設計の要点は、構造化された音声推論と文脈に基づく意味選択を分離することにある。音声グラフは「どの語が発音上誤認識され得るか」を担い、言語モデルは「現在の文脈でどの候補が最も妥当か」を判断する。著者によれば、このフレームワークは軽量かつモジュール式で、推論時のみに動作するため、基盤となる ASR モデルの再学習は不要である。
本論文は ACL Industry Track 2026 に採択され、著者は Pratik Rakesh Singh 氏ら3名、投稿日は 2026 年 4 月 29 日、arXiv 番号は 2606.24889、主分類は計算と言語（cs.CL）、関連分野として音響（cs.SD）を含み、DOI は 10.48550/arXiv.2606.24889 である。PDF、実験用 HTML、TeX ソースなどの形で閲覧できる。