Ruby-ASR：联合正字法和词汇阅读识别的证据保存监督

传统的日语自动语音识别（ASR）是由拼写记录监督的，尽管相同的书面形式可以对应于语音中实现的不同词汇阅读。此类话语接收相同的目标，因此监督界面中不存在它们的阅读区别，并且无法通过事后纯文本字素到音素的转换来可靠地恢复。我们提出了 Ruby-ASR，它将传统目标细化为跨度范围的正字法-词汇阅读序列。与单独的完整句子拼写和语音输出不同，Ruby 表示将每个书面跨度本地绑定到其实现的阅读，并允许两个视图的确定性恢复。我们使用 Qwen3-ASR 主干在字幕样式和逐字样式转录约定下实例化目标； Mora 级 CTC 目标提供辅助单调阅读监督。五个日本基准的实验结果表明，细化识别目标可以提高词汇阅读恢复，而不会牺牲可读的正字法转录。我们发布检查点和推理代码。