LLM重排ASR结果，WER降40%
推荐指数 73.0 NO. 004 · 2026.05.28
Stars149创建4 天前Forks0Issues0
为什么值得看
ASR-Rescore-Bench 系统评测了11种重排策略，发现7B级指令模型做n-best重排可将WER差距缩小40-60%。做语音产品的团队终于有量化数据判断要不要把LLM塞进ASR管线了。
Benchmark for LLM-based ASR n-best rescoring (ngram, neural-LM, MLM-PLL, LLM-prompt strategies).
编辑判断
ASR重排这个老问题之前一直被Whisper等端到端模型挤压空间，但工业界大量存量系统仍是混合架构。这个benchmark的实用价值在于明确划出了LLM介入的盈亏线：n-best足够大、领域足够专（如医疗对话）时上7B模型才划算，通用场景不如继续用轻量神经LM。
论文覆盖了中英文及小众语种（FLEURS），对做多语言产品的团队有直接参考意义。149 star但0 fork说明关注度有、动手试的少，可能跟ASR圈子相对封闭有关。
Star History
生态分析
Experimental
首个系统评测LLM用于ASR n-best重排的量化基准工具，填补语音管线选型空白。
独特价值：首次用11种策略量化证明7B模型可缩窄40-60% WER差距，降低落地决策成本。