重新审视使用专用模型的ASR错误纠正

自动语音识别（ASR）系统中，语言模型对于提升识别准确率至关重要，但传统方法多采用纯文本语言模型，无法有效捕捉ASR特有的错误模式。近年来，大语言模型（LLM）被引入ASR错误纠正，然而LLM推理延迟高且容易产生幻觉，在实际部署中面临挑战。苹果与谷歌的研究团队联合提出了一种基于紧凑序列到序列（seq2seq）模型的ASR错误纠正方案，旨在克服LLM的局限性。

该研究的核心创新在于三个方面：合成训练数据生成、纠正优先解码策略以及模型轻量化。为了获得大规模的训练数据，研究者设计了级联文本到语音（TTS）和ASR系统的流水线，自动生成海量的“错误音频-正确文本”配对数据。他们发现，合成数据中错误分布的多样性是影响模型泛化能力的关键因素，因此通过多种TTS和ASR系统的组合来模拟真实世界中的多样错误模式。在推理阶段，传统方法通常先由ASR系统生成初始转录，再由纠错模型进行后处理。而本文提出的“纠正优先解码”则让seq2seq纠错模型直接生成候选纠正结果，然后利用ASR系统的声学得分对候选结果进行重排序，从而选择最可靠的最终输出。

实验结果表明，尽管该seq2seq模型的参数量仅为LLM的十五分之一，但在LibriSpeech测试集的clean和other两个子集上，分别取得了1.5%和3.3%的词错误率（WER），显著优于基于LLM的方法。此外，该模型展现出良好的跨架构泛化能力，能够适用于CTC、Seq2seq、Transducer等不同的ASR主干网络，并在多个领域（如医学、法律等）的测试中保持优势。尤其值得注意的是，在低错误率场景下，LLM往往难以做出精确的局部修正，而本文的紧凑模型却能精准纠错，更具实用性。

这项研究为ASR错误纠正提供了一条高效、低延迟的技术路线，特别适合对实时性要求高、计算资源受限的应用场景。未来，该模型有望集成到移动设备或边缘计算环境中，推动语音交互技术的普及。