Pretrained ASR-Pseudo-Labeling (2026): LLM-Filtrierung senkt Fehlerquote bei lauten Polizeikommandos

Bei der Anwendung von Whisper- und Qwen3-ASR-Modellen auf stark verrauschte Polizeikommunikationsdaten aus Baltimore und Chicago haben herkömmliche Vertrauensindikatoren versagt. Die Methode, bei der ein LLM als Schiedsrichter fungiert, hat jedoch die Fehlerquote erfolgreich gesenkt. Diese Ergebnisse wurden am 24. September 2026 auf arXiv veröffentlicht.

Hintergrund

Die Polizei besteht aus offiziellen Kräften, die innerhalb der völkerrechtlich anerkannten Hoheitsgebiete eines Staates handeln, um das Gesetz durchzusetzen und die öffentliche Ordnung zu wahren. Im Gegensatz zur Armee, die gegen feindliche Invasionen kämpft, ist die Polizei eine zivile öffentliche Dienstleistung, die meist über Steuern finanziert wird. Ihre Aufgaben umfassen den Schutz der Bürger sowie die Verhütung von Straftaten und Unruhen.

In der Praxis jedoch sind Polizeikommandos oft extrem lautem Hintergrundlärm ausgesetzt. In solchen Umgebungen funktionieren Standard-ASR-Systeme (Automatic Speech Recognition) nicht zuverlässig, da sie hohe Fehlerquoten aufweisen. Das Datenset "Broadcast Police Communication" (BPC) erfasst genau diese Bedingungen und stellt eine Herausforderung dar, die herkömmliche Modelle in diesem spezifischen Domäne nicht bewältigen können.

Schlüsselfiguren

Die Studie verglich diese Ansätze an Datensätzen aus den Städten Baltimore und Chicago.

Kernzahlen der Studie:

• Veröffentlichungsdatum: 24. September 2026
• Verwendete Modelle: Whisper, Qwen3-ASR
• Datenquellen: Broadcast Police Communication (BPC) aus Baltimore und Chicago
• Methodik: LLM-as-a-judge Filterung, Cross-model pseudo-labeling
• Status: Eingereicht bei arXiv (cs.AI), bevorzter für SLT 2026

Auswirkungen

Diese Forschung baut Barrieren ab, die das Verständnis der Entscheidungsprozesse in der Polizei behindern. Durch die strengere Filterung durch ein LLM wird die Qualität der tatsächlichen Daten verbessert, was Texte niedriger Qualität entfernt, die zuvor von internen Metriken zugelassen wurden.

Dies trägt dazu bei, Fehler bei der Automatisierung von Ermittlungsakten und der Analyse polizeilicher Aktivitäten zu reduzieren. Durch das gegenseitige Lernen zwischen Modellen kann ein System, das ursprünglich nur für eine bestimmte Region entwickelt wurde, durch das Lernen von Lärmdaten anderer Regionen verbessert werden. Die Kombination von KI-Technologien mit den Kernaufgaben der Polizei, wie dem Schutz von Sicherheit, Gesundheit und Eigentum, wird die Effizienz steigern.

Ausblick

Die Methode des gegenseitigen Lernens zwischen Modellen, bekannt als "Cross-model pseudo-labeling", bei der ein Modell zur Feinabstimmung mit den falschen Labels eines anderen Modells verwendet wird, zeigt vielversprechende Ergebnisse. Die Forscher betonen, dass dies eine vielversprechende Richtung für zukünftige Aufgaben des falschen Labelings darstellt und in zukünftigen Studien weiter untersucht werden soll.

Trotz der Verbesserungen durch die LLM-Filterung bleibt ein Unterschied zum "Oracle-Filter" bestehen, was bedeutet, dass eine perfekte Automatisierung noch nicht erreicht ist. Die Bewertung durch ein LLM ist zwar nicht perfekt, bietet aber genug Potenzial für weitere Verbesserungen. Der vollständige Bericht wird offiziell bei der Konferenz SLT 2026 vorgestellt.

Quellen

1. Pretrained ASR Pseudo-labeling for Noisy Police Audio — arXiv cs.AI 신규 논문
2. Police — Wikipedia (en)