本文介绍了自动矫正人为翻译错误的任务，并通过制作 Aced 语料库并建立三个 TEC 数据集，探究矫正人为翻译错误的模型的需要。我们发现人类错误比机器翻译的翻译流畅度错误更为多样，需要专门的 TEC 模型来矫正。通过在人类错误上的合成错误的预训练，我们的 TEC 系统在 F1 得分上获得了 5.1 个百分点的提升，并在人机交互实验中表现出卓越的能力。

Jun, 2022

我们提出了一种可靠的方法来收集语音转录，通过在标注阶段进行置信度估计重新处理和在标注后进行自动词错误校正来提高转录质量。我们发布了 LibriCrowd—— 一个包含 100 小时英语语音的大规模众包数据集。实验结果显示，转录错误率降低了 50% 以上。我们进一步研究了转录错误对 ASR 模型性能的影响，并发现了强相关性。转录质量的提高可以使 ASR 模型的错误率下降 10% 以上。我们将数据集和代码发布给研究社区，以造福广大研究者。

Sep, 2023

使用不同词错误率（WERs）的 ASR 转录对 IEMOCAP，CMU-MOSI 和 MSP-Podcast 等已知语料库进行 SER 性能评估，同时提出了一个统一的 ASR 错误抗干扰框架，并与最佳表现的 ASR 转录进行比较，实现了更低的 WER 和更高的 SER 结果，为 SER 与 ASR 协助的研究提供了洞见。

Jun, 2024

本文提出一种基于多任务学习的 CTEC 框架 ProTEC 来解决预训练语言模型在 CTEC 中产生的过度或欠度修改问题。该框架将 CTEC 任务分为三个子任务：错误检测、错误类型识别和更正结果生成，并通过多任务学习逐步引导模型从易到难地学习，有效地提高了 CTEC 任务的效果和效率。

Jun, 2023

本文提出了一种基于 Transformer 模型和音素编码器的新型非自回归（NAR）纠错方法，该方法通过减少单词错误率（WER）来提高转录质量，并在不同的上游 ASR 系统中实现了鲁棒性能，特别是在 GPU 硬件上实现了与其他 NAR 模型相当的推断延迟，并且比自回归模型快 4.2-6.7 倍。

Feb, 2023

提出了一种基于语音 / 文本内涵的新型端到端 ASR 错误检测方法，该方法通过将音频和对应的文本片段之间的内涵建模为端到端任务，并利用声学编码器和语言编码器来预测内涵，实验结果表明该方法可以有效降低医学术语方面的分类错误率 12% 和 15.4%。

Jul, 2022

本研究旨在探讨自动语音识别和人工转录的差异以及相关性，并通过 Turing 测试验证其性能。

Aug, 2017

本研究提出了一种基于 Hierarchical Character Tagger 模型的短文本拼写错误纠正方法，该模型使用预训练的字符级语言模型作为文本编码器，并提出了一种分层多任务解码方法来缓解长尾标签分布问题。实验证明，HCTagger 模型比许多现有模型更准确，速度更快。

Sep, 2021

本文介绍了一种使用 Transformer 编码器的简单高效的 GEC 序列标记工具，该系统采用合成数据进行预训练，并在连续两个阶段上进行微调，第一阶段在有错误的语料库上，第二阶段在有错误和无错误的平行语料库上。使用自定义的 token-level 变换将输入 token 映射到目标纠正 。我们的最佳单模型 / 集合 GEC 标记器在 CoNLL-2014（测试）上的 $F_{0.5}$ 为 65.3 / 66.5，在 BEA-2019（测试）上为 $F_{0.5}$ 的 72.4 / 73.6。其推理速度比基于 Transformer 的 seq2seq GEC 系统快 10 倍。代码和训练模型公开可用。

May, 2020

本文研究了在成本敏感的情况下，如何以固定的时间预算自动选择错误修正的位置和大小，以最大化修正的错误数量，并提出了一种动态更新框架来训练纠错成本模型，进而实现高度适应性。该方法在模拟和实际的用户研究中均获得了有效的效率改进。

Sep, 2017