G-SPIN：基于图神经网络的语音识别纠错框架，精准修正关键语义错误

尽管自动语音识别（ASR）系统的整体词错误率已较低，但在命名实体、否定词和情感词等关键语义词汇上仍存在系统性错误。这些错误多源于语音相似性而非随机噪声，传统的词级纠错方法效果有限。

arXiv最新研究提出结构化ASR纠错框架G-SPIN，将语音图建模与上下文语言理解相结合。该框架首先通过图神经网络（GNN）为待纠错词汇构建语音相似的候选词图，将搜索空间限制在语音替代方案内；随后使用掩码语言模型（MLM）进行局部上下文评分；最后通过指令调优的大语言模型（LLM）对精简候选集进行上下文感知重排序。

这种将结构化语音推理与上下文语义选择解耦的方法，既避免了无约束生成，又提高了纠错准确性。该框架轻量模块化，完全在推理阶段运行，为ASR系统的语义准确性提升提供了新思路。