Beyond WER: Entity and Disfluency Recall in Accented Conversational ASR

超越词错误率（WER）：口音对话式语音识别中的实体与非流利词召回

ASR systems optimised for Word Error Rate (WER) often miss named entities and filled pauses in accented conversational English, both critical for language-learning feedback. 针对词错误率（WER）进行优化的自动语音识别（ASR）系统，往往会遗漏带口音的对话式英语中的命名实体和填充停顿，而这两者对于语言学习反馈至关重要。

We present a three-stage pipeline for speakers from India, Indonesia, and Latin America: (1) heuristic SQL filters curating entity-rich training data at 2.8x the entity density of random sampling, (2) regional LoRA adapters fine-tuned on Qwen2.5-Omni-3B producing both verbatim and corrected transcripts in a single forward pass, and (3) a six-category error taxonomy validated by an LLM-based judge (83.8% agreement, 210 human-labelled samples). 我们针对来自印度、印度尼西亚和拉丁美洲的说话人提出了一套三阶段流水线：(1) 使用启发式 SQL 过滤器筛选出实体丰富的训练数据，其实体密度是随机采样的 2.8 倍；(2) 基于 Qwen2.5-Omni-3B 微调区域性 LoRA 适配器，在单次前向传播中同时生成逐字转录和修正后的转录；(3) 建立了一个包含六类错误的分类体系，并由基于大语言模型的裁判进行验证（一致性达 83.8%，基于 210 个经人工标注的样本）。

The pipeline achieves 80-85% entity recall (up from 53-55%), 76-86% filler recall (up from <5%), and 6-10% WER across 6k test utterances, outperforming Whisper and a commercial ASR on entity recall while matching a zero-shot 30B model with 10x fewer parameters. 该流水线在 6000 条测试语句中实现了 80-85% 的实体召回率（从 53-55% 提升）、76-86% 的填充词召回率（从 <5% 提升）以及 6-10% 的 WER。在实体召回方面，该模型优于 Whisper 和某商业 ASR 系统，同时在参数量减少 10 倍的情况下，表现与零样本（zero-shot）的 30B 模型相当。

Paired bootstrap tests confirm that curation alone accounts for 2.8-4.2 pp of entity recall gain (p<0.0001). 配对自助法（Paired bootstrap）测试证实，仅数据筛选这一项就贡献了 2.8-4.2 个百分点的实体召回率提升（p<0.0001）。