Evolutionary Prompt Design for LLM-Based Post-ASR Error Correction

简介

利用现代大型语言模型（LLMs）的强大优势，生成式纠错（GEC）已成为一种有前途的范式，可以提高现代自动语音识别（ASR）系统的性能。其中一种代表性方法是利用上下文学习来提示LLMs，使LLMs可以根据精心设计的提示和ASR系统产生的N个最佳假设列表生成更好的假设。然而，目前尚不清楚现有提示是否是后ASR错误更正任务的最有效提示。在这种情况下，本文首先探讨替代提示以识别初始一组有效提示，然后提出采用进化提示优化算法来优化初始提示。在SLT 2024 GenSEC挑战赛任务1的CHiME-4子集上的评估结果显示了所提出算法的有效性和潜力。
作者讲解

目前尚无作者解读视频，你可点击下方【许愿开讲】按钮，许愿作者开讲~
图表
解决问题

论文旨在提高自动语音识别（ASR）系统的性能，通过探索和优化生成式错误纠正（GEC）中的提示来实现这一目标。
关键思路

论文提出了一种基于进化算法的优化方法，用于改进GEC中的提示，从而提高ASR系统的性能。
其它亮点

论文通过探索不同的提示，确定了一组初始的有效提示，并使用进化算法对其进行了优化。实验结果表明，该方法在CHiME-4数据集上取得了很好的性能。
相关研究

近期的相关研究包括使用深度学习技术提高ASR性能，以及使用GEC技术进行语音纠错。