Kort bericht · 1 min lezen
LLM-filter vermindert fouten in AI-transcripties van rumoerige politiecommunicatie
Onderzoekers introduceerden een filter op basis van een LLM om de pseudolabeling voor spraakherkenning op rumoerige politie-uitzendingen te verbeteren en het aantal transcriptiefouten te verlagen.
Oossa · Over Oossa
Het team onder leiding van Kaavya Chaparala testte twee basismodellen voor spraakherkenning — Whisper van OpenAI en Qwen3‑ASR — op rumoerige politie-uitzendingen uit Baltimore en Chicago. De onderzoekers ontdekten dat de ingebouwde betrouwbaarheidsscores van de modellen geen onderscheid konden maken tussen goede en slechte machinegegenereerde transcripties. Door een groot taalmodel als externe beoordelaar in te zetten en pseudolabels te verwijderen die niet bij de context pasten, verlaagden ze het woordfoutpercentage van de trainingsdata. Het artikel, dat is geaccepteerd voor de conferentie SLT 2026, stelt ook voor om pseudolabels tussen modellen uit te wisselen als mogelijke vervolgstap.
Waarom het ertoe doet
Met deze methode kunnen rumoerige politieopnamen goedkoper en nauwkeuriger worden omgezet in leesbare tekst, zonder dat uitgebreide menselijke labeling nodig is.
Bronnen en referenties
| # | Bron | Medium | Datum | Kernpunt |
|---|---|---|---|---|
| 1 | Pretrained ASR Pseudo-labeling for Noisy Police Audio ↗ | arXiv | 28 sep 2026 | arXiv:2609.30469v1 Announce Type: new Abstract: Pretrained ASR systems perform poorly on noisy Broadcast Police Communication (BPC), hinderi |
1 bronnen
Laatst bijgewerkt:
Oossa · Nieuwsbrief
De AI-week, uitgelegd
Elke maandag: het nieuws dat ertoe doet, in gewone taal. Gratis, geen spam.