超越 WER：重音会话 ASR 中的实体和不流利回忆

针对单词错误率 (WER) 进行优化的 ASR 系统经常会错过命名实体，并在带口音的英语会话中填充停顿，这两者对于语言学习反馈都至关重要。我们为来自印度、印度尼西亚和拉丁美洲的演讲者提供了一个三阶段管道：(1) 启发式 SQL 过滤器以随机抽样实体密度的 2.8 倍来整理丰富的实体训练数据，(2) 在 Qwen2.5-Omni-3B 上进行微调的区域 LoRA 适配器，在一次前向传递中生成逐字记录和更正的转录本，以及 (3) 由大语言模型法官验证的六类错误分类法（83.8% 一致， 210 human-labelled samples).该管道在 6k 测试话语中实现了 80-85% 的实体召回率（从 53-55% 上升）、76-86% 的填充召回率（从 <5% 上升）和 6-10% 的 WER，在实体召回方面优于 Whisper 和商业 ASR，同时匹配参数减少 10 倍的零样本 30B 模型。配对引导测试证实，仅管理就占实体召回增益的 2.8-4.2 pp (p<0.0001)。