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

> I ricercatori hanno introdotto un filtro basato su un LLM per migliorare la pseudo-etichettatura nel riconoscimento vocale di comunicazioni radio della polizia disturbate dal rumore, riducendo gli errori di trascrizione.

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

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.

## I fatti

- L’articolo è stato accettato alla conferenza SLT 2026
- Whisper e Qwen3‑ASR sono stati valutati su audio delle comunicazioni della polizia di Baltimora e Chicago

## Perché conta

Il metodo consente di trasformare registrazioni poliziesche rumorose in testo leggibile in modo più economico e accurato, senza ricorrere a un’etichettatura umana estesa.

## Fonti e riferimenti

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

Ultimo aggiornamento: 2026-09-28