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

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.

## De feiten

- Artikel geaccepteerd voor de conferentie SLT 2026
- Whisper en Qwen3‑ASR getest op politieaudio uit Baltimore en Chicago

## 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

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

Laatst bijgewerkt: 2026-09-28