待验证85% 置信事实时间未知
LLM对输入完整性极度敏感，音频包丢失导致的ASR错误会产生garbage in garbage out效应
1
来源数
85%
置信度
长期有效
时效性
2026/6/1
首次发现
来源
涉及实体
相关事实
待验证In real-world call recordings with background noise, colloquial expressions, and overlapping speakers, ASR accuracy typically drops below standard benchmarks.69% 相似待验证在强噪声环境、高密度专业术语或非标准口音场景下，ASR的词错率会显著上升，通常需要领域微调才能达到可用精度69% 相似待验证当前主流ASR系统如OpenAI的Whisper、Google Speech-to-Text在面对口音、语速变化、背景噪音、专业术语等场景时错误率仍会显著上升68% 相似待验证转写效率受原始音频质量影响极大：远场收音、背景噪音、多人抢话会显著降低准确率，选购高端会议转写方案时应搭配定向麦克风/降噪硬件而非单纯依赖软件算法66% 相似待验证传统语音助手面临ASR准确率下降、NLU基于意图分类只能处理预定义场景、对话管理采用状态机无法处理话题跳转三个技术瓶颈66% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/29170API
curl https://kongchang.com/api/v1/knowledge/claims/29170MCP
get_claim(id=29170)