纠错模型在自研asr系统的使用意义

我们决定自研asr，同时就得面对通用音频领域语料少的问题，我们可以使用我们自己的录音数据，以及通过音频的增广去增加语料，以及自己投入人力进行数据标注。

这里有一个我做事情的准则，一切目标导向。 我们做自研asr不是为了做一个通用领域的对标各大第三方商用服务商，我们的目标是，在客户内网服务中，更准确的识别用户在电话领域的意图，以及表达内容的实体。

因此，我们不仅仅是提高asr的准确率和降低错字率，也可以在模型的更新同时，对结果的校对，我们还想到通过在任务的下游增加纠错，来实现意图命中的准确率。

因此，我们在asr识别的结果，进行对应的纠错，在初期的迭代中，将提高客户对我们自研asr的满意度。

做一件事情是一个迭代的过程，要去引导客户和在客户的可理解范围内，提升和实验自己的新技术，这是一个风险很大的事情。

要做好这类事情，首先你的明确你的目标，你要知道客户的忍耐程度，你自己的技术更新迭代计划和速度，这些都对你的结果至关重要。

非常开心的是，我们既做到为公司降低成本，又做到客户的满意程度，同时为自己提供了一个平台去尝试更新的技术，提升自己的价值。

回到本文，目前github上star最多是纠错是，

https://github.com/shibing624/pycorrector​github.com/shibing624/pycorrector

使用其他非常方便，但是效果还是有待提高，因此可以借鉴他的模型和代码，训练属于你自己领域的纠错意图，才是重中之重。

比如在交警领域：更关注用户的处罚、缴费、延期等等，这些可以自己生成一部分数据提供训练。

技术是为商务服务的，没有任何一家公司是技术型公司，因为公司的本质是为了赚钱。