面向长文本 - 语音交错对话的本体记忆增强自动语音识别纠错

传统自动语音识别（ASR）纠错多关注孤立语句或短局部上下文，难以应对长程文本 - 语音交错交互中的对话级语境需求。现有方法常依赖当前假设或直接拼接原始对话历史，导致稀疏纠错证据淹没于冗余噪声中。为此，本文提出一种本体记忆增强的 ASR 纠错框架，将既往交互历史组织为动态可更新的本体记忆，存储实体、术语、表面变体及语义关系等可检索节点，以实现基于上下文的精准纠错。实验表明，该方法在多数配置下显著优于直接纠错，提升了上下文相关错误的修正选择性。