一、语音识别后处理概述

大家好，我是你们这门课的主讲。今天咱们聊聊语音识别后处理——这个在语音交互系统里经常被忽视、但实际极其关键的环节。

说实话，我最早做语音项目时，也犯过轻视后处理的错误。那时候觉得，ASR模型能转出文字不就完事了吗？直到被线上用户骂「这破语音助手听不懂人话」……嗯，从那以后我才真正重视起后处理来。

1.1 什么是后处理？

后处理，说白了就是语音识别引擎输出文本之后、交给下游任务之前，中间那一整套「清洗+修正+格式化」的操作。

你想想看，ASR模型吐出来的原始文本长什么样？

• 「我想听周杰伦的稻香」—— 可能变成「我想听周杰伦的到香」
• 「今天气温25度」—— 可能变成「今天气温二十五度」
• 「请打开第3个开关」—— 可能变成「请打开第三个开关」

这些差异，对机器来说就是灾难。后处理要做的，就是把这些问题一一解决。

1.2 为什么需要后处理？

我遇到过不少刚入行的同学问：「现在端到端模型这么强，还需要后处理吗？」

我的回答是：需要，而且非常需要。原因有三：

1. ASR模型不是万能的 —— 再强的模型也有识别错误，尤其是噪声环境、口音、专有名词场景。后处理是最后一道防线。
2. 文本格式不统一 —— 数字、日期、时间、金额，ASR模型输出五花八门。比如「2024年3月15日」可能变成「二零二四年三月十五日」，下游NLP模型处理起来很头疼。
3. 语义理解需要「干净」输入 —— 你想想看，如果NLU模块收到的是「帮我查一下明天天气」，但ASR输出的是「帮我查一下明天天气嗯那个」，多出来的语气词会直接干扰意图识别。

1.3 后处理在语音交互系统中的位置

咱们来看一个典型的语音交互系统流程：

语音信号 → 前端处理 → ASR识别 → 【后处理】 → NLU理解 → 对话管理 → 语音合成

看到了吗？后处理正好卡在ASR和NLU之间。这个位置非常微妙——

• 它接收的是ASR的「原始输出」
• 它输出的是NLU的「标准输入」

我习惯把这个模块比作「翻译官」。ASR说的是「机器话」，NLU要听的是「人话」，后处理就是那个两头都懂的人。

模块	输入	输出	典型问题
ASR	音频	原始文本	同音字、噪声干扰、语气词
后处理	原始文本	规范化文本	格式统一、纠错、去噪
NLU	规范化文本	语义标签	意图识别、实体抽取

1.4 后处理到底处理什么？

简单归纳一下，后处理主要干这几件事：

• 文本规范化 —— 数字、日期、时间、货币的格式统一
• 纠错 —— 同音字、近音字、多音字的修正
• 去噪 —— 去掉语气词、重复词、停顿标记
• 逆文本正则化 —— 把「二十五」转成「25」，把「二零二四」转成「2024」
• 标点恢复 —— 给没有标点的ASR输出加上逗号句号

这些内容，咱们后面的章节会一个一个拆开来讲。今天先有个整体印象就好。

好，这一章就到这里。下一章咱们深入聊聊「文本规范化」的具体实现，我会带上我踩过的坑和总结的套路。