Agentic-GER 回查語音片段，中文術語錯誤率最高相對降低 36.8%

上海交通大學與阿里巴巴等研究者於 9 月 24 日公開 Agentic-GER，將長篇語音校正拆成尋找疑點、回查音訊與最小修改。它沿用既有語音辨識結果，利用整份逐字稿協助判斷專有名詞；論文目前為預印本，標示已投稿 ICASSP 2027。[論文資料](https://arxiv.org/abs/2609.29428)

流程先摘要主題與術語，再依全文及工作記憶挑出可疑片段，交由 Qwen3-ASR-1.7B 重轉錄。語言模型綜合新辨識結果與前後文決定保留或修改，證據不足便保留原文；修改與保留決策都會寫入記憶，供下一輪參考。片段時間邊界維持不變，中文每輪最多檢查四個候選，每份錄音最多執行三十二輪、接受四十八次修改。[實作說明](https://github.com/QwenAudio/FunResearch/blob/main/Agentic-GER/README.md)

評測涵蓋 GigaSpeechBench 十二個領域的 524 份中文與 387 份英文錄音。作者報告，中文術語最大相對改善來自 Whisper-Large-v3 初稿搭配未啟用思考的 Qwen3.8-Max：B-CER 從 35.07% 降至 22.16%，相對下降 36.8%。此指標只計算標註術語，不能解讀為整份逐字稿錯誤減少相同比例；初稿改用 FunASR 時，同一校正器的相對降幅為 17.9%。[評測結果](https://arxiv.org/html/2609.29428v1)

收益也受錯誤類型影響：替換錯誤通常留下可疑文字，漏掉的術語則較難由全文掃描發現。思考模式也非越多越好，Max 在四組比較中有三組術語成績退步；部分配置的整體辨識錯誤率也可能略升。評估校正器時，須同時追蹤術語與全文品質。[限制分析](https://arxiv.org/html/2609.29428v1)

官方程式庫已提供提示、評測轉接器及中英文設定，但預設使用 Qwen3.8-27B，與最大增益配置不同；快速入門僅各處理一份錄音，也未附逐錄音原始實驗結果。重現時須另備模型服務，並核對執行完成狀態，避免把失敗後沿用的原稿誤認成校正成果。[重現說明](https://github.com/QwenAudio/FunResearch/blob/main/Agentic-GER/README.md)

從流程判斷，這項方法對中文技術內容的價值，在於利用跨段重複出現的名詞，補足短片段的語意不足；但它依賴完整逐字稿，串流服務的即時收益尚未由本研究證明。工程團隊可先將它接在既有轉錄流程之後，以自身領域錄音量測誤改率、延遲與呼叫成本，再評估是否適合會議、課程等長音訊。