待验证50% 置信事实精确时间
现代 ASR 系统会借助语言模型（如 n-gram 或神经网络语言模型）对候选词进行打分，但在输入含混、口音差异明显或背景噪音较大时，错误仍会高发。
1
来源数
50%
置信度
中期 (~90 天)
时效性
2026/10/14
首次发现
有效期至：2027/1/12
来源
涉及实体
相关事实
待验证在多语言ASR中，语码转换是识别错误的高发区，若系统能在解码前感知到语码转换位置，可以有策略地切换语言模型以降低识别错误率。78% 相似待验证跑团场景中多人同时说话、使用虚构专有名词、背景噪音等会对 ASR 转录质量造成挑战，业界常见的缓解手段包括说话人分离（diarization）、自定义词表热词增强以及用大语言模型对转写结果做后处理纠错。78% 相似待验证研究方法通过每次静音掉词中的一个辅音，测试ASR模型是否还能正确识别该词76% 相似待验证ASR回译能把「听感错误」转化为「文本差异」，让开发者用程序化的字符串比对方式发现发音、吞字、增词等问题，而不必逐条人工听审。76% 相似待验证传统n-gram模型和单语训练的神经语言模型在遇到跨语言词序列时会给出极低的概率分数，导致解码器倾向于将外语词强行映射为发音相近的本语言词76% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1031285API
curl https://kongchang.com/api/v1/knowledge/claims/1031285MCP
get_claim(id=1031285)