英文题目：Leveraging Fine-grained Error Correction in Korean Speech Recognition for Consultation Services
标签：#语音识别 | #SFT | #数据集 | #低资源
评分：7.9/10 | 创新 1.4/2 | 技术严谨 1.1/1.5 | 实验充分 1.2/1.5 | 清晰度 0.8/1 | 影响力 0.9/1.5 | 开源 1.2/1.5 | 可复现 0.3/0.5 | 工程/实践 1/1.5
👥 作者与机构
- Yonghyun Jun：Chung-Ang University
- Jimin Lee：Chung-Ang University
- Hwan Chang：Chung-Ang University
- Dongho Shin：Korea Local Information Research & Development Institute
- Seolah Kim：SK intellix
- Hwanhee Lee：Chung-Ang University
📌 核心摘要
该任务输入为隐私受限下无音频可用的韩语咨询自动语音识别文本及对话历史，输出为保留正确话语并仅改写错误片段的干净转写，难点在于错误样本稀疏、韩语形态音系变化复杂且缺乏面向纠错的平行语料。方法检测门控上下文span纠错先将对话切分为话语级样本，再由编码器检测器做词元级错误定位并经话语级门控决定是否转发，只有判为含错的话语才进入下一步。纠错器在自回归预测对话上下文增强下生成span级改写串，最后经字符串替换回填完整句子，使发现与改写解耦且监督收缩到需改片段。与直接整句重写基线相比，该设计以显式检测门抑制对干净话语的不必要改写，从而在错误稀疏分布下兼顾纠错覆盖与保真。在DasanCallDial话语级测试集下，pkoT5版本DCSC的Bal-WER从14.67降至13.30，E-WER从29.35降至26.27。该结论适用边界受限于单主导识别系统的咨询域短上下文纠错，对多错误密度、开放域及音频可用场景尚未验证。原文披露的训练成本与延迟为检测器约1.5小时、韩语序列到序列纠错器约2.3小时、大语言模型纠错器约7.3小时，单句延迟从毫秒级至秒级不等。
🔗 开源与复现资源
代码相关资源：https://github.com/yonghyun010102/DasanProjectCode — 链接不可用（HTTP 404）
数据相关资源：https://huggingface.co/datasets/zgold5670/DasanCallDialDataset — 暂时无法访问
数据相关资源：https://doi.org/10.1016/j.engappai.2026.116038 → https://linkinghub.elsevier.com/retrieve/pii/S0952197626023225 — 链接可访问（HTTP 200）
数据相关资源：https://creativecommons.org/licenses/by-nc-nd/4.0/ — 链接可访问（HTTP 200）
可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。
🧭 深度解读
输入是什么，目标是什么，本文要解决哪种真实限制？
本文的输入是已经由商用语音识别系统转写出的韩语咨询对话文本，目标是在拿不到原始音频时，用纯文本后编辑把残留识别错误改对。必须保留的信息包括错误的稀疏性、对话属性和韩语语言特点，输出是与人工校对真值尽量一致的修正话语。
研究场景来自首尔茶山呼叫中心的真实市民投诉电话，平均每通约 2 分 30 秒，共约 82 小时 15 分钟语音，先由云端优化的 HAIV 语音转文本系统转写，再由人工听音频逐句订正。隐私法规使得下游只能拿到文本，因此方法不能依赖声学重打分，只能在文本范围内判断和修改。
这种设定决定了后文所有设计都要同时回答两个问题：如何在多数句子本来就正确时避免误改，以及如何在缺少音频时借助上下文和韩语先验知识修好少数错误句。论文还用韩语微调版 Whisper 对同一批音频重转写做对照，HAIV 话语错误率指标值为 17.95 与 Whisper 话语错误率指标值为 20.90，约五分之四话语无错，说明错误稀疏不是单一识别器的偶然现象。
资源可用性方面，代码链接本次验证返回 404 不可用，数据集 HuggingFace 链接本次未能确认可达，只有期刊版本记录与许可证链接可达，因此复现叙述以论文正文给出的构造与训练细节为准。
同输入同目标的已有路线为何不够用？
在纯文本后编辑这条路线上，早期工作把纠错看成单语翻译，直接把噪声转写映射到干净文本，后来出现了去噪目标、N-best 条件和大模型零样本提示纠错。但论文指出这些成功集中在英语和中文等高资源语言，在低资源语言上会因平行数据少和错误模式不明而明显退化。
另一条路线是 2 阶段结构，先定位错误片段再只改该处，以及把监督粒度从整句收紧到片段，这些在数据稀缺时被报告优于单阶段整句生成。本文把这两条经验搬到韩语对话场景。韩语已有资源多为训练识别器而建，往往不提供原始识别文本，也不保留正确占多数的分布。
句子级后编辑数据则多为人工加噪或合成语音转写，与真实呼叫的噪声、口音、重叠和领域术语差距较大。低资源语言的已有尝试还包括规则系统、字符级融合和小模型微调，但多采用整句直接映射，是否需要更细粒度和检测器与纠错器解耦尚未得到系统验证，这正是本文消融要回答的问题。
错误稀疏的对话纠错难在哪里？
难点首先来自标签不平衡。去重后的话语级数据中错误率约为 17.95%，测试集中自然正确的比例高达 83.43%，这意味着直接整句重写很容易把正确句改坏，而保守复制又会漏掉真正的错误。
其次是韩语错误的多样性。词性分析显示名词错误占比指标值为 56.3 与动词错误占比指标值为 21.7%，其余散布在形容词、介词、代词等。语音上辅音错误占比指标值为 84.5 与元音错误占比指标值为 15.5%，语言学类型上省略与插入占比指标值为 75.2，说明错误集中在专有名词和发音变体上，需要韩语先验而非通用改写能力。
第三是说话人差异。咨询员话语相对规范，错误率指标值为 13.47，客户话语非结构化且发音随意，错误率指标值为 22.71，同一模型要同时处理两种风格。第四是上下文依赖，单句切分虽能缩短输入、增加样本，但会丢掉指代和前文实体线索。因此方法必须在单句粒度和对话信息之间找到可训练的折中。
DCSC 如何沿一个样本走完检测到纠错？
检测门控上下文片段纠错简称 DCSC，是一条 2 阶段流水线。先用基于编码器的检测器对转写句做标记级判断，只要有一个标记被判为错就打开门，否则直接返回原句。被放行的整句连同对话历史一起送入纠错器，纠错器只输出需要改的片段映射，再经后处理替换回原句得到修正结果。
若纠错器输出韩语的 No Error，则原样返回，以此吸收检测器的误报。训练时检测器与纠错器分别用细粒度标签监督，推理时历史槽位用已纠正的前文自回归填充，因为真实历史不可用。
下面先看 3 级粒度的总体示意，理解对话如何被拆成话语再被标成片段。图前导读已经说明从左到右是噪声转写到人工真值、从上到下是粒度由粗到细，重点是观察同一错误在不同粒度下的表示变化。
看图路径： 1. 先看顶部对话级左右两栏如何对应转写与人工真值；2. 再看红色框选出的目标话语在左右两侧有何差异；3. 最后看底部检测序列与纠错片段如何指向同一处错误
论文图 1。原论文 Figure 1:：“End-to-end illustration of the three-level granularity: (1) Dialogue-level shows a sample from the original dataset; (2) Utterance-level depicts utterances extracted from the…”。
该图上半部分展示一段咨询对话的转写与真值对照，中间红色框选出一条客户话语作为目标，下半部分把该话语切分为子词并标出错误标记序列，同时给出片段级的改写目标。像素可见左侧黄色高亮与右侧绿色高亮对应同一位置的不同表述，底部检测序列用 0 和 1 区分正确与错误标记，纠错目标用箭头连接错误片段与正确片段并用分隔符拼接。这种表示把整句重写问题转化为只生成少数映射关系，是后文抑制过度改写的关键。
检测器与纠错器各自计算什么，如何组合？
检测器的白话含义是对每个切分单元打 0 或 1 标签的序列标注器，英文为 token-level error detection。具体做法是先用编码器分词器把转写与真值切成序列，再用 difflib 的 SequenceMatcher 算编辑距离，凡替换、删除或插入涉及的转写侧标记记为 1，否则记为 0。
插入发生在句首时标其后标记，否则标插入点前一个标记。训练时微调同一编码器输出该掩码序列，损失是对每个标记的加权二元交叉熵，非错标记远多于错误标记，因此用权重放大错误标记的学习信号。
\[\mathcal{L}=-\frac{1}{N}\sum_{i=1}^{N}\frac{1}{n^{(i)}}\sum_{t=1}^{n^{(i)}}\Bigl(\\ \lambda\,m_{t}^{(i)}\log\bigl(p(m_{t}^{(i)})\bigr)\\ +\bigl(1-m_{t}^{(i)}\bigr)\log\bigl(1-p(m_{t}^{(i)})\bigr)\Bigr)\]该公式中 N 为样本数，n 为第 i 个输入的标记长度，m 为二值掩码，p 为判错概率，lambda 取 8。推理时只要预测掩码含 1 即判定该话语需纠正，但纠错器收到的是整句而非仅错误标记，由纠错器独立决定如何改。
标记级检测 × 片段级纠错： 标记级检测负责对转写句中每个切分单元判断是否出错，分工是定位和决定是否送修；片段级纠错负责只生成需要替换的错误片段到正确片段的映射，分工是精确改写。两者搭配的理由是错误稀疏时整句重写容易误改正确内容，而先定位再只改片段可以缩小输出空间；组合意义是检测器做话语级门控，纠错器拿到整句并独立决定具体替换，从而在覆盖错误和保护正确句之间取得平衡。
纠错器的白话含义是只生成改写指令的生成器，英文为 span-level correction。做法是在词级别算转写与真值的编辑距离，把连续错误合并为错误片段及其正确对应，再用箭头配对并用可学习的分隔符拼接多组，若无错则目标为韩语 No Error。
\[\mathcal{S}=\begin{cases}\texttt{No Error},&\text{if }s=0,\\[4.0pt] \begin{aligned} &\text{span}_{1}^{U}\rightarrow\text{span}_{1}^{G}\,[\text{SEP}]\,\\ &\text{span}_{2}^{U}\rightarrow\text{span}_{2}^{G}\,[\text{SEP}]\,\cdots,\end{aligned}&\text{otherwise}\end{cases}\]其中 s 为片段数，公式明确了无错与有错两种目标形态。推理时按分隔符切分预测结果，把每个预测错误片段替换为对应正确片段，若为 No Error 则直接返回原句。上下文增强的输入构造如下，历史取目标前最多 10 句真值，训练时用真值历史，推理时用已纠正历史。
\[\begin{split}U_{\text{context}}=(\;&\texttt{[Dialogue Context]}\,;\,\\ &G_{\max(1,i-10):i-1}\,;\,\\ &\texttt{[Target Utterance]}\,;\,U_{i}\;)\end{split}\]其中 DU 与 DG 分别为转写对话与真值对话，Ui 为目标话语，特殊分隔符用于区分历史参考与待纠目标。
下面看推理流水线的 3 种走向，理解门控与回退如何配合。图前导读已提示按行看门开门关，重点是区分检测正确、检测正确且纠正成功、检测误报但被纠错器挽回 3 种情况。
看图路径： 1. 先沿(a)(b)(c) 三行的蓝色与红色箭头区分正确与错误动作；2. 再看中间掩码序列中 1 的位置如何决定门开或门关；3. 最后看纠错器输出 No Error 时如何实现直接返回
论文图 5。原论文 Figure 5:：“Illustration of the DCSC inference pipeline.”。
像素可见(a) 行检测器输出全零掩码后直接返回原句，蓝色箭头表示门保持关闭的正确动作。(b) 行检测器标出靠后位置的 1 并打开门，纠错器给出单个片段替换，蓝色箭头表示检测开门与纠错替换均为正确动作。(c) 行检测器误标中间位置为 1 而打开门，红色箭头表示该次开门是错误动作，但纠错器输出 No Error 并直接返回，从而避免对流利问句的误改。这种设计使正确句有 2 次被保留的机会。
话语级上下文增强 × 目标话语： 话语级上下文增强负责把目标话语之前最多 10 轮历史拼接到输入前，分工是提供消歧信息；目标话语负责界定本次真正要纠正的句子，分工是限定生成目标只针对当前句。搭配理由是切分为单句后会丢失指代和专有名词线索，而直接用整段对话生成又容易幻觉；组合意义是用特殊分隔符区分历史只作参考、目标只产生片段标签，使模型能借助历史而不被历史带偏。
数据如何从对话建成可训练的话语与片段监督？
构造从原始对话级数据开始。1974 通电话共 115460 行话语，先按日期加当日序号构成对话键，把同一通话的话语组织为说话人、对话键、转写与真值的数据框。标注由 2 名具有多年呼叫系统经验的人员分工初标再交叉验证，另抽 1000 句做双标一致性，错误有无判断的 Cohen kappa 指标值为 0.73，双方都判错时的转写完全一致率指标值为 85.5%。
对话级样本 × 话语级样本： 对话级样本负责保留 1 次完整通话的全部轮次，分工是保存原始话语结构；话语级样本负责把对话拆成单句并用对话键关联，分工是缩短输入并增加样本数。搭配理由是长对话在低资源韩语下难以被充分利用且容易产生重复生成；组合意义是先拆分以稳定训练，再用上下文增强把丢失的历史信息有选择地拼回，从而兼顾样本量和消歧需要。
随后把对话切为话语级样本以缩短上下文并增加样本量，再在每个划分内去重，保留常用表达的代表性但去掉大量易识别的正确重复句。去重后训练话语数指标值为 50480、验证话语数指标值为 2963、测试话语数指标值为 11267，错误率指标值分别升至 18.01%、13.26% 和 16.57%。这种去重既缓解训练中错误样本稀疏，也更接近部署模型的运行精度。
检测监督按标记掩码生成，纠错监督按片段映射生成。纠错器训练集还经过检测引导的再组织，包含真正错误句、被误报的正确句以及与错误组等量的随机正确句，使纠错器学会在误报时回退。标注规范强调按音频与上下文纠正明显音误，保留说话人真实的非规范表达和填充停顿重复。
以下标注表是复现时必须遵守的真值口径，读表时注意区分必须改与必须保留的两类动作，比较问题是哪些情形允许改写、哪些情形必须原样保留，公平条件是同一批听音频标注的真值口径。
| Case | Annotation guideline |
|---|---|
| Clear phonetic recognition error | Correct the transcription according to the audio signal and the surrounding dialogue context. |
| Speaker’s actual ungrammatical expression | Preserve the original utterance without grammatical normalization if the expression was actually spoken by the speaker. |
| Fillers, pauses, and repetitions | Preserve fillers, pauses, and repeated expressions when they are present in the actual speech. |
| Numbers, addresses, and phone numbers | Keep masking according to the privacy protection rules. |
| Domain-specific proper nouns | Correct them based on the consultation context and standardized institutional terminology. |
| Ambiguous phonetic recognition | Determine the correction using the surrounding dialogue context and consultation-domain knowledge; if the intended expression remains uncertain, preserve the original transcription conservatively. |
| Homophones and spacing variants | Apply Korean orthographic conventions while preserving semantic consistency with the utterance and dialogue context. |
该表把 7 种情形的动作说清楚：明显音误按信号与上下文改，真实口误与填充重复不做语法美化，号码地址电话保持掩码，专有名词按标准术语改，含糊音按上下文判断、仍不确定则保守保留，同音与分写按韩语正字法兼顾语义。这对复现的意义是真值不是风格统一的书面语，而是保留口语痕迹的最小必要修正，模型也不应把流利但真实的表达改成更书面形式。未胜出做法是把所有不通顺都改成书面规范句，这会违背该表要求的保守保留原则。
用什么数据划分、基线、指标和计算预算做公平比较？
数据划分按对话实例以 0.80/0.05/0.15 分为训练 1579 段、验证 98 段、测试 297 段对话，对应话语数 91378 条、4813 条和 19269 条。去重后的话语级划分用于训练与评价，主题覆盖停车执法、公共卫生、住房地产税收、交通等 12 个部门加其他类，最大部门占比指标值为 16.5%，最小护照国籍占比指标值为 2.2%，说明多样性仍充足。
检测骨干为韩语预训练的 KoElectra 判别器，纠错对比韩语序列到序列的 mT5、pkoT5、KoBart 与 Llama-3.1、Qwen2.5 等大模型。基线包括直接返回原文的 Zero-rule、基于模糊规则的 IT2-FLS、字符级编解码 Char-Seq2Seq 以及直接整句映射的 Uttr2Uttr。检测指标为是否需改的二分类精确率、召回率、F1、准确率与平衡准确率，纠错指标为完全一致率与平衡词错误率，方向为 EM 越高越好、WER 越低越好。
错误稀疏分布 × 平衡词错误率： 错误稀疏分布指正确话语占多数、错误话语占少数的真实运行分布，分工是描述评价前提；平衡词错误率负责把正确子集和错误子集的词错误率分别计算再平均，分工是给出不受多数正确样本淹没的度量。搭配理由是在稀疏分布下全量平均的词错误率接近零、难以区分方法差异；组合意义是用平衡后的指标同时考核保住正确句和修好错误句的能力。
训练配置与开销在附录表中完整给出，是复现必须对齐的条件。检测器用 AdamW、学习率 2e-5、批量 24、15 轮，纠错器用学习率 1e-4 并按验证平衡词错误率选点，推理用贪心解码。以下先看结构与耗时表，比较问题是同等纠错目标下不同规模骨干的部署代价差异，公平条件是论文报告的同一硬件与推理设置。
| Backbone | Item | Details |
|---|---|---|
| KoElectra detector | Architecture | 12-layer ELECTRA encoder for binary token classification; hidden size 768; 12 attention heads; approximately 110M parameters. |
| KoElectra detector | Training duration | Approximately 1 h 30 min. |
| KoElectra detector | Inference latency | Approximately 0.5–1.6 ms per utterance. |
| KoElectra detector | Required GPU | 1 NVIDIA RTX 6000 Ada. |
| pkoT5 corrector | Architecture | Encoder–decoder Transformer with 12 encoder and 12 decoder layers; hidden size 768; 12 attention heads; approximately 220M parameters. |
| pkoT5 corrector | Training duration | Approximately 2 h 20 min. |
| pkoT5 corrector | Inference latency | Approximately 36 ms per utterance. |
| pkoT5 corrector | Required GPU | 1 NVIDIA RTX 6000 Ada. |
该表显示检测器约 110M 参数、单句延迟约 0.5 至 1.6 毫秒，pkoT5 约 220M 参数、单句约 36 毫秒，Llama-3.1 约 8B 参数经 LoRA 微调、单句约 2.5 秒且需 2 卡。这意味着主推的 pkoT5 方案在效果与部署成本之间更平衡，大模型虽检测召回强但延迟高出两个数量级。未胜出项是大模型方案，其额外延迟在呼叫中心实时场景下构成明确代价。
| Backbone | Item | Details |
|---|---|---|
| KoElectra detector | Training configuration | AdamW optimizer; learning rate 2e-5; batch size 24; 15 epochs; maximum sequence length 128. |
| KoElectra detector | Input and output | The input is an utterance-level ASR transcription, and the output is a binary token-level error label sequence. |
| KoElectra detector | Checkpoint selection | The best checkpoint is selected based on validation F1. |
| KoElectra detector | Inference | An utterance is forwarded to the corrector if at least one token is predicted as erroneous. |
| pkoT5 corrector | Training configuration | AdamW optimizer; learning rate 1e-4; batch size 24; weight decay 1e-3; 15 epochs. |
| pkoT5 corrector | Input and output | The maximum source length is 512 and the maximum target length is 128. The input consists of the target utterance with dialogue context, and the target is the span-level correction string. |
| pkoT5 corrector | Checkpoint selection | The best checkpoint is selected based on validation Bal-WER. |
| pkoT5 corrector | Inference | Greedy decoding is used during inference. |
该表明确了输入输出形态：检测器输入为单句转写、输出为二值标记序列，转发条件为至少一个标记判错；纠错器输入为带上下文的目标话语、目标为片段改写串，按平衡词错误率选点并贪心解码。复现时若改动选点指标或解码方式，比较将不再公平。该配置表与上一结构表共同构成可运行条件的完整证据。
主结果在多大程度上修好错误又保住正确句？
主比较要回答的是在错误稀疏下能否同时降低错误句词错误率并保持正确句几乎不动。Zero-rule 的准确率指标值均为 83.43，但其错误子集词错误率指标值高达 29.35，说明不做任何修正会留下全部错误。规则与字符级基线几乎停留在原地，直接整句映射则出现严重过度改写。相比之下所有 DCSC 变体都把正确句词错误率控制在低位，同时把错误句词错误率降到 27 以下。
检测器门控 × 纠错器回退： 检测器门控负责在推理时先判断是否放行，分工是过滤明显正确的句子以减少不必要改写；纠错器回退负责在被误放行时输出 No Error 并原样返回，分工是补救误报。搭配理由是检测器不可能完全准确，误报若直接改写会造成过度纠正；组合意义是形成两道保守机制，使误报的正确句有第二次被保留的机会，而漏检的错误句则成为主要的欠纠正来源。
下面用最小可核对的数字表呈现核心收益，比较问题是同样测试集下 pkoT5 版 DCSC 相对不做修正能带来多少可部署改进，公平条件是同一话语级测试划分与同一真值，指标方向为准确率越高越好、错误句词错误率与平衡词错误率越低越好。
| 条件 | Acc | E-WER | Bal-WER | EM | 比较对象 |
|---|---|---|---|---|---|
| Zero-rule 不修正 | 83.43 | 29.35 | 14.67 | 83.43 | 同一测试集基线 |
| pkoT5 版 DCSC | 90.43 | 26.27 | 13.30 | 85.16 | 同一测试集可运行策略 |
该表的主要收益是检测准确率与完全一致率同步提升，错误句词错误率与平衡词错误率同步下降，说明改进不是以牺牲正确句为代价。代价与反例是 Qwen 等更敏感变体召回更高但正确句改动也略多，而 mT5 与 KoBart 精确率高但召回低，会漏掉大量错误句。
混淆矩阵进一步揭示保守过滤的机制，图前需要先确认左右矩阵的行列定义一致，再观察假正例与假负例的此消彼长，重点是理解纠错器在抑制过度纠正与留下部分错误之间的权衡。
看图路径： 1. 先对比左右两个混淆矩阵的行列定义是否一致；2. 再看假正例从 911 例降到 436 例的变化量；3. 最后看真正例中未被解决的 233 例如何转化为假负例
论文图 7。原论文 Figure 7:：“Detector-only and end-to-end confusion matrices.”。
像素可见左侧检测矩阵真负 8489 例、假负 351 例、假正 911 例、真正 1516 例，右侧端到端矩阵真负 8964 例增加 475 例、假正 436 例减少 475 例、假负 584 例增加 233 例、真正 1283 例减少 233 例。论文报告纠错器挽回 52.14% 的误报但留下 15.37% 的已送入真错未解决，使精确率提升而召回下降。这种此消彼长说明阈值 0.5 下的漏检不是不可动的结构上限，而是工作点选择。
从对话到片段再到上下文与检测器，哪一步真正起作用？
消融按对话级、话语级、片段级、加上下文、加检测器的顺序逐步收紧。起点对话级用整段对话 1 次生成，正确句词错误率指标值高达 325.36，表现为重复循环与无关内容。切到话语级后幻觉减轻，但仍有高方差与格式失败，说明缩短输入不够，还需约束输出空间。
转到片段级是转折点，正确句词错误率与平衡词错误率大幅下降，pkoT5 的 F1 明显上升，表明只生成改写映射能抑制有害重写与种子不稳定。加上下文后 Llama 召回明显上升，错误句词错误率有所下降，pkoT5 的各项标准差大幅收窄且 F1 继续上升，说明历史提供了消歧与稳定条件。
以下数字表聚焦片段级与检测器两处关键跳变，比较问题是同样骨干下收紧目标与增加门控是否带来稳定可重复的改进，公平条件是同一划分与配对检验，指标方向为 WER 越低越好、召回 F1 越高越好。
| 阶段 | N-WER | Bal-WER | Recall | F1 | 比较对象 |
|---|---|---|---|---|---|
| Llama 话语级 | 84.65 | 64.55 | 46.66 | 17.66 | 同骨干起点 |
| Llama 片段级 | 0.42 | 15.03 | 29.35 | 42.93 | 同骨干收紧目标 |
| Llama 上下文加片段 | 0.46 | 14.18 | 42.30 | 54.00 | 同骨干加历史 |
| Llama 完整 DCSC | 0.25 | 13.40 | 69.92 | 72.28 | 同骨干可运行策略 |
| pkoT5 上下文加片段 | 0.55 | 13.55 | 57.69 | 66.05 | 同骨干加历史 |
| pkoT5 完整 DCSC | 0.35 | 13.30 | 70.08 | 72.91 | 同骨干可运行策略 |
该表显示片段化是消除幻觉的主因，上下文主要改善召回与稳定性，检测器主要改善路由并保护正确句，而错误句词错误率在最后一步仅小幅变化，说明纠正质量仍由上下文片段纠错器决定。未胜出项是 pkoT5 片段级虽均值向好但方差仍大，需上下文才能稳定。负结果是检测器引入路由方差，但均值仍显著更优。
说话人分组进一步给出适用边界，图前导读已提示对比两组柱高与基线差距，重点是把检测易与纠正难分开看，观察动作包括比较左右面板的基线柱与方法柱高度差。
看图路径： 1. 先看左侧检测指标中咨询员与客户的柱高差异；2. 再看右侧纠错指标中两类说话人的基线与方法差距；3. 最后结合误差率背景判断为何客户更易检出但更难改对
论文图 9。原论文 Figure 9:：“Performance comparison by speaker role.”。
像素可见左侧检测面板中客户侧方法柱略高于咨询员侧方法柱，右侧纠错面板中两组方法柱均低于各自基线柱，且客户侧整体柱高高于咨询员侧整体柱高。可以解释为客户发音不规范使错误更易被发现，但其表达碎片化又使精确改对更难。两组相对基线均有提升，但客户仍是更难的纠正对象。
哪些误差、阈值与跨域边界尚未解决？
论文报告的局限首先是检测器与纠错器接口较粗。检测器虽输出标记级掩码，但是否送修只在话语级决定，没有把标记索引直接传给纠错器。若直接传递可能更精准，但会传播检测误差并对边界精度更敏感，还需复杂输入工程，因此留作未来工作。
其次是欠纠正的两个来源：被检测器过滤的漏检，以及已送入但纠错器原样返回或无效编辑。阈值分析显示把阈值从 0.5 降到 0.1 可把检测召回提到约 94.5%，且纠错器能把端到端精确率挽回到约 72%，但端到端召回仍约 72%，说明阈值只能解决检索广度，不能解决纠错器修不好的问题。
第三是上下文窗口有限。只用前 10 句且推理用预测历史，预测历史相对真值历史的平衡词错误率上升幅度不足半个点，说明误差传播可测但有限。第四是领域特异性，模型在受控错误稀疏的 Hyper-BTS 上零样本仅带来有限下降并伴随正确句小幅误改，混入 50480 条目标域样本后才接近域内上限，说明跨域泛化有限但数据高效适配可行。
最后是元信息缺失，没有说话人地域年龄等画像，无法做方言感知个性化，且长程依赖仍受窗口限制。这些边界意味着当前结论待验证外推到开放域对话时需要新的测量。
复现先做什么，需要哪些信息条件与验证？
复现应先按对话键重建划分与去重口径，再按论文的编辑距离规则生成标记掩码与片段映射，不要自行改分词器或合并策略，因为检测与纠错监督都依赖同一套距离定义。接着用 KoElectra 训练检测器并按验证 F1 选点，用 pkoT5 训练带上下文的纠错器并按验证平衡词错误率选点。
推理时保持贪心解码与阈值 0.5 默认，再做阈值扫描以明确漏检与误报的工作点。必须保留的超参数包括检测学习率 2e-5、纠错学习率 1e-4、批量 24、检测 15 轮、pkoT5 纠错 15 轮加权重衰减 1e-3、大模型 6 轮加 LoRA 与 ZeRO-3 累积 8，以及源最大 512 目标最大 128。
信息条件上训练需真值历史、推理只能用已纠正历史，这一差异必须保留，否则会高估上下文收益。还需补做的验证包括在另一识别器转写上复测错误稀疏是否成立、在阈值 0.1 与 0.9 两端报告端到端精确率召回权衡、在客户与多片段子集上单独报告错误句词错误率下降是否主要来自单片段多数类。
代码当前链接不可用、数据集链接本次未能确认可达，因此现阶段只能按正文细节重写流程，期刊记录与非商业许可链接可达可用于确认版本与使用范围。
何时值得尝试这种先检测后改片段的思路？
当任务满足 3 个条件时值得尝试：拿不到音频只能做纯文本后编辑、正确句占多数且误改代价高、有一定领域平行数据可训练韩语或领域先验模型。此时先用标记级检测做门控，再用片段级生成约束输出，并用有限历史做上下文增强，能够在不大幅触动正确句的前提下修好名词与发音变体错误。
若正确句本就极少或可容忍重写，整句生成的收益可能不同，不应直接套用本文结论。实践中应把阈值当作部署参数：漏检代价高时取偏召回的低阈值并依靠纠错器回退吸收误报，延迟或处理成本敏感时取保守阈值。
未来验证应补跨语言与跨场景的片段粒度和门控收益、更紧的标记索引传递是否稳定、以及对欠纠正的直接惩罚目标，因为当前框架的瓶颈已从是否找到错误转向能否把已找到的错误改对。
📎 论文与评分元数据
排名：前25% | 文档类型：数据集与基准 | arXiv 原文
⚖️ 评分明细
评分属于系统判断，不是论文实验结果；八维数值与总分见页首，原始审计记录保留在后端。
评分规则：type-aware-v1
评分模型：muse-spark-1.3-contributor
评分请求协议：openai_responses