# LLM过滤器减少AI转录嘈杂警用音频时的错误

> 研究人员推出了一种基于LLM的过滤器，用于改进嘈杂警用广播通信语音识别的伪标签，从而降低转录错误率。

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

由Kaavya Chaparala带领的团队，评估了两种基础语音识别模型——OpenAI的Whisper和Qwen3‑ASR——在巴尔的摩和芝加哥嘈杂警用广播通信音频上的表现。研究发现，这些模型内置的置信度分数无法区分质量好坏的机器生成转录文本。研究人员将大型语言模型用作外部评审，剔除不符合语境的伪标签，从而降低了训练数据的词错误率。这篇论文已被SLT 2026会议接收，并提出未来可探索在不同模型之间交换伪标签。

## 事实

- 论文已被SLT 2026会议接收
- 在巴尔的摩和芝加哥的警用音频上评估了Whisper和Qwen3‑ASR

## 为什么重要

这种方法能以更低成本、更高准确度将嘈杂的警用录音转成可读文本，无需大量人工标注。

## 来源与参考

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

最后更新: 2026-09-28