FormalASR：端到端汉语口语到正式文本

自动语音识别 (ASR) 系统通常针对逐字转录进行优化，从而保留通常不适合下游面向写作的应用程序的不流畅、填充词和非正式口语结构。常见的解决方法是用于后期编辑的两级 ASR+LLM 管道，但这种设计会增加延迟和内存成本，并且难以在设备上部署。我们提出了 FormalASR，这是两个紧凑的端到端模型（0.6B 和 1.7B），可以直接将中文口语转录成正式的书面文本。为了启用此设置，我们构建了 WenetSpeech-Formal 和 Speechio-Formal，这是两个由基于 LLM 的重写和质量过滤构建的大型口语到正式数据集。然后，我们使用监督 微调 在两个尺度（0.6B 和 1.7B）上微调 Qwen3-ASR。 WenetSpeech-Formal 和 Speechio-Formal 上的实验表明，与逐字基线相比，FormalASR 的相对 CER 降低了高达 37.4%，同时还改进了 ROUGE-L 和 BERTScore。 FormalASR 在部署时无需进行后处理 LLM，为口语到正式转录提供轻量级设备上解决方案。