基于 LLM 的后 ASR 错误纠正的演化式提示设计

Rithik Sachdev; Zhong-Qiu Wang; Chao-Han Huck Yang

基于 LLM 的后 ASR 错误纠正的演化式提示设计

计算与语言 2024-07-24 v1 声音音频与语音处理

作者: Rithik Sachdev , Zhong-Qiu Wang , Chao-Han Huck Yang

摘要

在现代大语言模型 (LLM) 的基础上，生成式错误纠正 (GEC) 已成为一种能够提升自动语音识别 (ASR) 系统性能的有前景的范例。一个具有代表性的做法是利用基于情境学习的提示技术，让 LLM 根据精心设计的提示和由 ASR 系统生成的 N-best 假设列表，生成更好的假设。然而，目前尚不清楚现有提示是否是后 ASR 错误纠正任务中最有效的提示。在此背景下，本文首先探索替代性提示，以识别一组有效提示，然后提出采用演化式提示优化算法来细化初始提示。在 CHiME-4 数据集子集（即 2024 年 SLT 挑战赛 GenSEC 任务中的 Task 1）上的评估结果表明，所提出算法的有效性和潜力。

关键词

大语言模型错误纠正提示优化演化算法 ASR

引用

@article{arxiv.2407.16370,
  title  = {Evolutionary Prompt Design for LLM-Based Post-ASR Error Correction},
  author = {Rithik Sachdev and Zhong-Qiu Wang and Chao-Han Huck Yang},
  journal= {arXiv preprint arXiv:2407.16370},
  year   = {2024}
}

备注

in submission

基于 LLM 的后 ASR 错误纠正的演化式提示设计

摘要

关键词

引用

备注

相关论文