大语言模型 能否可靠地纠正低资源 ASR 中的错​​误？西弗里斯兰污染意识案例研究

近年来，自动语音识别 (ASR) 取得了显着进步，但对于低资源语言来说，性能仍然有限。 大语言模型 (LLM) 已显示出通过生成错误校正 (GER) 改进 ASR 的前景，但其在资源匮乏环境中的有效性仍未得到充分探索。此外，目前尚不清楚数据污染在多大程度上影响了基于 LLM 的 GER 所报告的改进。本研究研究了基于 LLM 的低资源弗里斯兰语 GER。除了公共语料库之外，我们还构建并使用带有非公共文本的弗里斯兰语离线数据集进行评估，以控制潜在的数据污染。结果表明，GER 在大多数设置中提高了 ASR 性能，其中最好的 GPT-5.1 结果超越了 Oracle WER。离线数据集上的可比增益表明改进反映了真正的校正能力。我们进一步提供了详细的误差分析，揭示了模型校正模式。