向前迈进：通过合成数据和检索增强提升ASR的生成式错误纠正

生成式错误纠正（GEC）已成为增强自动语音识别（ASR）系统性能的强大后处理方法。然而，我们发现GEC模型在训练期间遇到的特定错误类型之外难以泛化，限制了其在测试时纠正新出现的未见错误的能力，尤其是在域外（OOD）场景中。这一现象在命名实体（NEs）方面尤为突出，除了上下文信息不足或对NEs缺乏了解外，新的NEs持续出现。为解决这些问题，我们提出了DARAG（Data- and Retrieval-Augmented Generative Error Correction），一种旨在提升ASR中GEC在域内（ID）和OOD场景下性能的新方法。我们通过调用大语言模型和语音合成模型生成合成数据来增强GEC训练数据集，从而模拟来自不同来源的额外错误，使模型能够学习。对于OOD场景，我们类似地以无监督方式模拟来自新领域的测试时错误。此外，为了更好地处理命名实体，我们引入检索增强纠正，通过从数据库检索实体来增强输入。我们的方法简单、可扩展，同时具备域-agnostic和语言-agnostic特性。在多个数据集和设置上进行实验，表明DARAG在ID和OOD设置下均优于所有基线，分别实现了8%--30%的相对WER提升和10%--33%的提升。