检索增强的自学推理模型：采用自适应思维链进行ASR命名实体纠正
计算与语言
2026-02-16 v1 人工智能
音频与语音处理
摘要
端到端自动语音识别（ASR）系统经常误识别领域特定短语（如命名实体），这可能导致下游任务出现灾难性故障。最近出现了一类基于大语言模型（LLM）的命名实体纠正方法。然而，这些方法尚未充分利用LLM固有的复杂推理能力。为弥补这一差距，我们提出了一种新颖的检索增强生成框架，用于纠正ASR中的命名实体错误。我们的方法包含两个关键组件：（1）一个用于命名实体识别的改写语言模型（RLM），随后使用音素级编辑距离进行候选检索；（2）一种新颖的自学推理模型，采用自适应思维链（A-STAR），根据任务难度动态调整其推理深度。在AISHELL-1和同音词数据集上的实验证明了我们方法的有效性，与强基线相比，在命名实体字符错误率上分别实现了17.96%和34.42%的相对降低。
引用
@article{arxiv.2602.12287,
title = {Retrieval-Augmented Self-Taught Reasoning Model with Adaptive Chain-of-Thought for ASR Named Entity Correction},
author = {Junjie An and Jingguang Tian and Tianyi Wang and Yu Gao and Xiaofeng Mou and Yi Xu},
journal= {arXiv preprint arXiv:2602.12287},
year = {2026}
}