Un filtro basato su LLM riduce gli errori nelle trascrizioni automatiche di audio poliziesco rumoroso

Il team guidato da Kaavya Chaparala ha valutato due modelli di riconoscimento vocale di base — Whisper di OpenAI e Qwen3‑ASR — su comunicazioni radio della polizia di Baltimora e Chicago disturbate dal rumore. I ricercatori hanno scoperto che i punteggi di affidabilità integrati nei modelli non riuscivano a distinguere le trascrizioni automatiche corrette da quelle errate. Usando un modello linguistico di grandi dimensioni come valutatore esterno per scartare le pseudo-etichette non plausibili nel contesto, hanno ridotto il tasso di errore per parola dei dati di addestramento. Il lavoro, accettato alla conferenza SLT 2026, propone inoltre di scambiare le pseudo-etichette tra modelli come possibile direzione futura.