RECOVER：基于假设变量编排的稳健实体纠错框架
计算与语言
2026-03-18 v1 音频与语音处理
摘要
自动语音识别（ASR）中的实体识别对罕见和领域特定术语具有挑战性。在金融、医疗和空中交通管控等领域，这些错误成本极高。如果实体在ASR输出中完全缺失，后置ASR纠错将变得困难。为此，我们引入RECOVER——一个作为工具使用智能体的纠错框架。它利用多个假设作为ASR的证据，检索相关实体，并在约束条件下应用大语言模型（LLM）纠错。采用不同策略使用这些假设，包括1-Best、实体感知选择、识别器输出投票误差减少（ROVER）集成和LLM-Select。在五个多样化数据集上评估，RECOVER可实现实体短语词错误率（E-WER）降低8%-46%，召回率提升最高可达22个百分点。其中LLM-Select在实体纠错中实现最佳整体性能，同时保持整体WER。
引用
@article{arxiv.2603.16411,
title = {RECOVER: Robust Entity Correction via agentic Orchestration of hypothesis Variants for Evidence-based Recovery},
author = {Abhishek Kumar and Aashraya Sachdeva},
journal= {arXiv preprint arXiv:2603.16411},
year = {2026}
}
备注
Under review. Submitted to Interspeech 2026