# فیلتر LLM خطاهای رونویسی هوش مصنوعی از صدای پرنویز پلیس را کاهش می‌دهد

> پژوهشگران برای بهبود برچسب‌گذاری شبه‌واقعی در سامانه‌های تشخیص گفتارِ ارتباطات رادیویی پرنویز پلیس، فیلتری مبتنی بر LLM معرفی کردند که خطاهای رونویسی را کاهش می‌دهد.

Oossa · 2026-09-28 · https://oossa.com/fa/llm-filter-trims-errors-in-ai-transcriptions-of-noisy-police-audio

گروهی به سرپرستی کاویا چاپارالا، دو مدل پایه تشخیص گفتار—Whisper از OpenAI و Qwen3‑ASR—را با استفاده از ارتباطات رادیویی پرنویز پلیس در بالتیمور و شیکاگو ارزیابی کردند. آن‌ها دریافتند امتیازهای اطمینانِ داخلی این مدل‌ها نمی‌تواند رونویسی‌های ماشینی خوب را از بد تشخیص دهد. پژوهشگران با استفاده از یک مدل زبانی بزرگ به‌عنوان داور بیرونی برای کنارگذاشتن برچسب‌های شبه‌واقعیِ نامعقول از نظر بافت، نرخ خطای واژه‌ها را در داده‌های آموزشی کاهش دادند. این مقاله که برای کنفرانس SLT 2026 پذیرفته شده، همچنین پیشنهاد می‌کند در آینده برچسب‌های شبه‌واقعی میان مدل‌ها جابه‌جا شوند.

## حقایق

- مقاله برای کنفرانس SLT 2026 پذیرفته شده است
- Whisper و Qwen3‑ASR با استفاده از صدای پلیس در بالتیمور و شیکاگو ارزیابی شدند

## چرا مهم است

این روش کمک می‌کند ضبط‌های پرنویز پلیس، بدون نیاز به برچسب‌گذاری گسترده انسانی، با هزینه کمتر و دقت بیشتر به متن خوانا تبدیل شوند.

## منابع و ارجاع‌ها

1. [Pretrained ASR Pseudo-labeling for Noisy Police Audio](https://arxiv.org/abs/2609.30469) – arXiv, 2026-09-28

آخرین به‌روزرسانی: 2026-09-28