Ruby-ASR 通过在目标序列中加入正字‑词汇阅读对应的 span，克服了传统日语 ASR 只使用正字转录的局限。传统系统把同形不同读的词映射到相同的文字标签，导致阅读信息在监督中丢失，后处理的文字到音素转换也难以恢复。Ruby‑ASR 使用 ruby 表示法，在每个书写 span 后紧跟其实际读音，实现正字与阅读的局部绑定，既可以确定性地恢复完整的正字文本，又能得到对应的词汇阅读。我们在 Qwen3‑ASR 骨干上实现两种转录风格：字幕式和逐字式，并在 mora 级别加入 CTC 损失作为辅助的单调阅读监督。实验在五个日语基准上进行，结果表明，在不牺牲可读正字转录的前提下，词汇阅读的恢复率显著提升。模型检查点和推理代码已公开。
点评