# Фильтр на основе LLM сокращает число ошибок в расшифровках шумных полицейских переговоров

> Исследователи разработали фильтр на основе большой языковой модели, чтобы улучшить создание псевдоразметки для распознавания речи в шумных радиопереговорах полиции. Это снизило число ошибок в расшифровках.

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

Команда под руководством Каавьи Чапаралы оценила две базовые модели распознавания речи — Whisper от OpenAI и Qwen3‑ASR — на шумных радиопереговорах полиции из Балтимора и Чикаго. Исследователи выяснили, что встроенные в модели оценки уверенности не позволяют отличить качественные машинные расшифровки от некачественных. Используя большую языковую модель как независимого оценщика, который отбраковывает псевдоразметку, не согласующуюся с контекстом, команда снизила долю ошибок в словах в обучающих данных. В статье, принятой на конференцию SLT 2026, также предлагается в будущем обмениваться псевдоразметкой между моделями.

## Факты

- Статья принята на конференцию SLT 2026
- Whisper и Qwen3‑ASR оценивали на полицейских радиопереговорах из Балтимора и Чикаго

## Почему это важно

Этот метод позволяет с меньшими затратами и большей точностью превращать шумные записи полицейских переговоров в текст, не привлекая людей для масштабной разметки.

## Источники и ссылки

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

Обновлено: 2026-09-28