自动语音识别（ASR）系统近年来在整体词错误率上取得了显著进展，但即便在大规模商用系统中，残余的词汇错误仍然不可避免。arXiv 上题为《Graph-Based Phonetic Error Correction of Noisy ASR》的论文指出，这些残余错误并非均匀分布，而是对语义关键 token 造成不成比例的影响，例如命名实体、否定词以及带有情感倾向的词语。一旦这类词被识别错误，整句甚至整段话的含义都可能被扭曲，因此单纯依赖整体词错误率来评估 ASR 质量并不充分。
论文进一步分析了错误的结构性来源。作者认为，ASR 的残差错误往往并非随机噪声，而是由发音相似性驱动的系统性混淆，例如同音词、近音词或发音相近的专有名词。这使得传统的 token 级替换式纠错方法难以奏效，因为候选空间过大且缺乏语音层面的约束，模型很容易在生成过程中引入新的、与上下文不相符的错误。
针对这一问题，作者提出了名为 G-SPIN 的结构化 ASR 纠错框架，将语音图建模与上下文语言理解相结合。该框架首先由图神经网络（GNN）为被标记的 token 构建在声学上合理的候选邻域，明确把纠错搜索空间限制在语音替代项之内，从源头上避免无约束生成带来的风险。随后，掩码语言模型（MLM）对候选进行局部上下文打分，最后由经过指令微调的大语言模型（LLM）在这个规模较小的候选集合上完成上下文感知的最终重排序。
这种设计的核心思想是将结构化的语音推理与上下文的语义选择解耦：语音图负责回答“哪些词在发音上可能被误识”，语言模型则负责判断“在当前语境下哪个候选最合理”。作者表示，该框架轻量、模块化，且完全在推理阶段运行，无需重新训练底层 ASR 模型。
该论文已被 ACL Industry Track 2026 接收，作者为 Pratik Rakesh Singh 等三人，提交时间为 2026 年 4 月 29 日，arXiv 编号为 2606.24889，主分类为计算与语言（cs.CL），同时涉及声音（cs.SD）方向，DOI 为 10.48550/arXiv.2606.24889。论文提供 PDF、实验性 HTML 及 TeX 源码等访问方式。