# Un filtre LLM réduit les erreurs de transcription de communications policières brouillées par le bruit

> Des chercheurs ont mis au point un filtre fondé sur un LLM pour améliorer la pseudo-étiquetage en reconnaissance vocale sur des communications policières diffusées et bruitées, réduisant ainsi les erreurs de transcription.

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

L’équipe dirigée par Kaavya Chaparala a évalué deux modèles de reconnaissance vocale de grande ampleur — Whisper d’OpenAI et Qwen3‑ASR — à partir de communications policières diffusées et bruitées de Baltimore et de Chicago. Elle a constaté que les scores de confiance intégrés aux modèles ne permettaient pas de distinguer les transcriptions générées par machine fiables des mauvaises. En utilisant un grand modèle de langage comme évaluateur externe pour écarter les pseudo-étiquettes incompatibles avec le contexte, l’équipe a réduit le taux d’erreur sur les mots dans les données d’entraînement. L’article, accepté à la conférence SLT 2026, propose également d’échanger les pseudo-étiquettes entre modèles comme piste à explorer.

## Les faits

- Article accepté à la conférence SLT 2026
- Whisper et Qwen3‑ASR ont été évalués sur des communications policières de Baltimore et de Chicago

## Pourquoi c'est important

Cette méthode permet de convertir plus rapidement et avec davantage de précision des enregistrements policiers bruités en texte lisible, sans recourir à un vaste travail d’annotation humaine.

## Sources et références

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

Dernière mise à jour: 2026-09-28