车牌识别场景下 FunASR 微调标注规范及 AutoModelVLLM 逆文本正则化 (ITN) 传参问题

[CurtainRight]

Question

在针对挪车场景进行 FunASR 语音识别模型微调时，遇到以下几个关于标注规则与效果的问题：

1、标注范围选择：在微调数据标注时，是只截取并标注录音中说出车牌号的具体片段（如 3-5 秒），还是需要保留并标注整段完整的挪车客服/人机对话录音？

2、重复与确认语音的标注策略：对于用户在说话过程中出现的重复、修正或确认语气（例如：“您报车牌号鄂A鄂A六六七T二五F二五F啊。六七二五。”），标注文本应该按实际语音所说的完整字词（如：鄂A鄂A六六七T二五F二五F啊六七二五）标注，还是按语义归一化后的最终车牌（如：鄂A6T725）进行标注？

3、微调效果评估：在针对此类高频重复、口语化重叠的垂直场景（挪车场景）下，直接使用语音识别（ASR）模型微调来解决车牌提取问题效果如何？是否有推荐的最佳实践（例如：ASR 负责逐字识别 + 后处理/LLM 负责规整提取）？

4、中文数字转阿拉伯数字参数：FunASR 在推理阶段是否有现成的配置参数或内置逆文本正则化（ITN / Text Normalization）工具，可以将识别出的中文数字（如“六六七”）直接输出为阿拉伯数字（如“667”）？

Code or command

from funasr.auto.auto_model_vllm import AutoModelVLLM

def main():
    model = AutoModelVLLM(
        model="model/FunAudioLLM--Fun-ASR-Nano-2512/snapshots/master",
        model_conf={"lora_path": "output_lora_model/model.pt.best"},
        hub="ms",
        tensor_parallel_size=1,
        gpu_memory_utilization=0.3,
        itn=True,            # 在模型级别开启默认 ITN
    )

    results = model.generate(
        ["/workspace/processed_16k_wavs/134.200.46.9_5090-1787544499.850172_16k.wav", "/workspace/processed_16k_wavs/134.200.46.9_5090-1787546051.851120_16k.wav"],
        language="zh",
        hotwords=["鄂"],
        # itn=True,            # 在模型级别开启默认 ITN
    )
    for r in results:
        print(f"[{r['key']}] {r['text']}")
    print("热词为鄂A")
    results = model.generate(
        ["/workspace/processed_16k_wavs/134.200.46.9_5090-1787544499.850172_16k.wav", "/workspace/processed_16k_wavs/134.200.46.9_5090-1787546051.851120_16k.wav"],
        language="zg",
        hotwords=["鄂A"],
        # itn=True,            # 在模型级别开启默认 ITN
    )
    for r in results:
        print(f"[{r['key']}] {r['text']}")

if __name__ == '__main__':
    main()

`
#!/usr/bin/env bash

设置显卡

export CUDA_VISIBLE_DEVICES="0"

启动单卡微调

torchrun --nproc_per_node=1
-m funasr.bin.train_ds
++model="model/FunAudioLLM--Fun-ASR-Nano-2512/snapshots/master"
++trust_remote_code=true
++train_data_set_list="/workspace/train/data/train/train.jsonl"
++valid_data_set_list="/workspace/train/data/train/train.jsonl"
++dataset="AudioDataset"
++dataset_conf.index_ds="IndexDSJsonl"
++dataset_conf.data_split_num=1
++dataset_conf.batch_sampler="BatchSampler"
++dataset_conf.batch_size=2000
++dataset_conf.sort_size=1024
++dataset_conf.batch_type="token"
++dataset_conf.num_workers=4
++train_conf.max_epoch=20
++train_conf.log_interval=10
++train_conf.resume=true
++train_conf.validate_interval=500
++train_conf.save_checkpoint_interval=500
++train_conf.keep_nbest_models=5
++train_conf.avg_nbest_model=3
++train_conf.use_deepspeed=false
++optim_conf.lr=0.0001
++use_lora=true
++lora_rank=8
++lora_alpha=16
++lora_target_modules="['qkv', 'out']"
++audio_encoder_conf.freeze=true
++audio_adaptor_conf.freeze=true
++llm_conf.freeze=false
++output_dir="./output_lora_model"
`

What have you tried?

查阅了 FunASR 文档中关于 ITN（Inverse Text Normalization）及后处理的相关说明。

尝试通过修改训练集文本进行初步测试，但在应对用户反复确认、纠错的复述口语时，模型容易出现漏字或多字的情况。

Environment

OS: Linux (Ubuntu 22.04)

Python version: 3.10

FunASR version: 1.4.8

ModelScope version: 最新

PyTorch / torchaudio version: 2.13.0

Install method (pip, source, Docker): pip

Device (cuda, cpu, mps): cuda

GPU model: NVIDIA RTX 4090

CUDA/cuDNN version: 13.2

[LauraGPT]

感谢提供完整场景和训练命令。这个场景建议把“逐字转写”和“最终车牌提取”拆成两个可独立评测的任务，避免把对话纠错逻辑混入 ASR 标签。

1. 标注范围：训练样本以包含目标说话内容的语义完整短句/轮次为单位即可；不必把整段客服对话都作为单条样本。保留必要上下文、真实噪声和不同通道，但不要把与目标无关的长对话随机拼进同一个样本。长音频应先分段，Fun-ASR-Nano 单次解码过长可能截断或退化。

2. 重复、修正、确认：ASR 训练标签应忠实记录实际听到的字词，包括重复、停顿词和修正后的复述；不要直接把“鄂A鄂A六六七T二五F二五F啊，六七二五”标成“鄂A6T725”。后者是业务语义提取/规整目标，而不是逐字 ASR 目标。混合两种标签会让模型学到不稳定的删改，反而更容易漏字或多字。

3. 生产链路建议：先以 ASR 输出（可保留时间信息）生成候选文本，再用受约束的车牌规整器提取候选（省份简称、字母和数字规则），依据“确认/纠正”对话逻辑选择最终值；必要时再用带固定 JSON schema 和合法性校验的 LLM 做复核。建议分别评估 ASR 的 CER/WER、片段车牌 exact match 和整通电话的最终车牌准确率，先建立这三个基线，再决定是否训练专门的结构化提取模型。

4. ITN：对于 Fun-ASR-Nano 的 AutoModelVLLM，请在 generate() 调用处显式传 itn=True；构造函数中的 itn=True 不是推荐的调用位置。该参数会进入模型提示词以要求文本规整，但不保证解决重复、确认与车牌语义选择。

建议先改为：

results = model.generate(
    files,
    language="中文",
    hotwords=["鄂A"],
    itn=True,
)

仓库示例使用 language="中文"；当前的 zh/zg 不在该模型示例支持值中，尤其 zg 看起来像笔误。请同时升级到当前 FunASR 版本后复测。若仍有问题，请附上可公开的脱敏短音频、逐字真实标注、期望的最终车牌以及上述三项指标中的失败样例；我们可以据此定位是声学转写、ITN，还是后处理选择的问题。

issue 保持打开，等待你的复测结果。

[LauraGPT]

跟进一个由你示例直接暴露的兼容性改进：#3613 已将 Fun-ASR-Nano 常见 ISO 语言提示 zh / en / ja / ko 规范化为仓库文档中的 中文 / 英文 / 日文 / 韩文；其他自定义提示（例如 粤语）保持原样。该 PR 的 exact-head contract CI 已通过，当前等待维护者审查。

这不会改变 itn=True 需传入 generate() 的边界，也不会把对话中的重复/确认语义自动变成最终车牌。issue 继续保持 open，欢迎在合并后或直接使用 language="中文" 的当前版本复测并反馈。

[CurtainRight]

1、

感谢提供完整场景和训练命令。这个场景建议把“逐字转写”和“最终车牌提取”拆成两个可独立评测的任务，避免把对话纠错逻辑混入 ASR 标签。

1. 标注范围：训练样本以包含目标说话内容的语义完整短句/轮次为单位即可；不必把整段客服对话都作为单条样本。保留必要上下文、真实噪声和不同通道，但不要把与目标无关的长对话随机拼进同一个样本。长音频应先分段，Fun-ASR-Nano 单次解码过长可能截断或退化。
2. 重复、修正、确认：ASR 训练标签应忠实记录实际听到的字词，包括重复、停顿词和修正后的复述；不要直接把“鄂A鄂A六六七T二五F二五F啊，六七二五”标成“鄂A6T725”。后者是业务语义提取/规整目标，而不是逐字 ASR 目标。混合两种标签会让模型学到不稳定的删改，反而更容易漏字或多字。
3. 生产链路建议：先以 ASR 输出（可保留时间信息）生成候选文本，再用受约束的车牌规整器提取候选（省份简称、字母和数字规则），依据“确认/纠正”对话逻辑选择最终值；必要时再用带固定 JSON schema 和合法性校验的 LLM 做复核。建议分别评估 ASR 的 CER/WER、片段车牌 exact match 和整通电话的最终车牌准确率，先建立这三个基线，再决定是否训练专门的结构化提取模型。
4. ITN：对于 Fun-ASR-Nano 的 AutoModelVLLM，请在 generate() 调用处显式传 itn=True；构造函数中的 itn=True 不是推荐的调用位置。该参数会进入模型提示词以要求文本规整，但不保证解决重复、确认与车牌语义选择。

建议先改为：

results = model.generate(
files,
language="中文",
hotwords=["鄂A"],
itn=True,
)
仓库示例使用 language="中文"；当前的 zh/zg 不在该模型示例支持值中，尤其 zg 看起来像笔误。请同时升级到当前 FunASR 版本后复测。若仍有问题，请附上可公开的脱敏短音频、逐字真实标注、期望的最终车牌以及上述三项指标中的失败样例；我们可以据此定位是声学转写、ITN，还是后处理选择的问题。

issue 保持打开，等待你的复测结果。

1、调整了参数，还是跟之前一样，大部分没转。案例如下。
134.200.46.9_5090-1787544499.850172_16k (1).wav
[134.200.46.9_5090-1787544499.850172_16k] 喂，你好，你都是请到吃台。喂，喂，你好，你都是请到吃台。喂，喂，你好，你都是请到吃台。六T R零七鄂A六一R零七是吧？六T六G R零七六T R零七啊。

134.200.46.9_5090-1787546051.851120_16k.wav
[134.200.46.9_5090-1787546051.851120_16k] 啊，帮忙查一下那个车主电话。 你们帮我接对方车牌，鄂A鄂A T T零D T零726726，对，好吧，财产集中审交挂载。

2、如果我训练的想要有效果，大概需要标注多少样本啊？？？

3、还是标注部分，我们的场景是专门车牌的，所以录音都比较短（您是建议标注下完整用户播报的车牌，而不是整个录音，也不是单独的车牌吗？）

4、我们确实像您说的，只用把ASR中车牌的部分搞准（主要是有方言、口音、数字等等问题）。因为后面还有一个llm小模型去提取。

[LauraGPT]

感谢补充两段脱敏样本和训练目标。这个 issue 被关联 PR 自动关闭了，但你刚提供了仍未解决的实际复现，因此我已重新打开；在基础模型、当前版本和你自己的 LoRA 三个维度完成对照前不会关闭。

我会先用公开 WAV 在当前 FunASR 基线下复现，并把“基础模型输出”“加载 LoRA 后输出”“逐字车牌片段标注”分开核对。你关于样本规模和短录音标注边界的问题也会在同一轮给出可执行答案。

[LauraGPT]

两段样本已收到并确认都是 16 kHz 单声道 WAV，时长分别为 36.14 s 与 29.38 s。我先给出可直接执行的标注和数据计划；issue 保持 open。

1. 这类短录音怎么切和怎么标

不要把整段客服录音直接作为训练条目，也不要只裁成孤立的 7 个车牌字符。建议从原始录音中按一次完整播报/确认轮次切出 约 2-12 秒 的语义片段，前后各保留约 0.2-0.5 秒自然上下文。比如“请报车牌”“鄂A……是吧”应在同一条里；纯寒暄、静音和另一轮无关对话应拆开。

ASR 标签仍写实际听到的完整语音，包括重复、修正、口头确认和中文数字。例如听到“鄂A六T R零七……六T六G R零七”时，不要直接标为单一最终车牌。最终车牌由下游 LLM/规则器依据整轮候选选择；这也符合你们已经有小模型提取的架构。

保留整段原始通话用于端到端回归集，但训练/开发/测试都应以这些切好的播报片段为基本单位，并确保同一通话/同一说话人不会跨训练集与测试集。

2. 样本量

没有一个对所有方言和线路都成立的固定数字。建议分两阶段推进：

• 试验基线：先做约 1,000 条高质量、已切分的车牌播报片段；另留 15%-20% 的通话级独立验证/测试集，不参与调参。
• 有明确增益后扩展：若车牌片段 exact match 仍是主要短板，再扩到 3,000-5,000 条，并刻意补齐湖北及目标区域口音、男女声、电话压缩、噪声、数字/字母混读、重复与纠正。优先补“当前错得最多的类别”，不是机械增加相似样本。

每次 LoRA 训练都同时报告：逐字 CER、车牌片段 exact match、整通话的下游最终车牌准确率。只看 CER 很可能掩盖车牌字符错位。

3. 先确认 LoRA 是否真的生效

你给出的最新文本看起来仍有明显漏转，先不要仅凭最终输出判断热词或 ITN。请对同一 WAV分别跑“无 lora_path”和“有 lora_path”，固定：

results = model.generate(
    files,
    language="中文",
    hotwords=["鄂A", "车牌", "车主"],
    itn=True,
)

并贴出两组原始 text、加载 LoRA 时的完整启动日志、model.pt.best 的生成位置与训练集/验证集条数。若两组输出完全一致，优先排查 adapter 是否实际加载、训练是否收敛和标签是否进入数据集；若 LoRA 确实提升普通中文但车牌仍错，再按上面的 hard cases 扩数据。

zh 的 ISO 别名改进尚在 #3613 审核；当前发布版请先明确使用 language="中文"。ITN 仅做文本规整，不会弥补没有被声学模型转出的字符，也不会在多次确认中替业务选择最终车牌。

我已尝试用两段公开 WAV 在已有 vLLM 回归环境跑基础模型，但该环境在模型初始化前因 CUDA 13 runtime 与宿主 CUDA 12.8 不匹配退出，因此没有把它作为任何识别质量结论。拿到你的无 LoRA/有 LoRA 对照后会继续按同一音频复核。

[CurtainRight]

逐字 CER

先不用考虑Lora。这是原生模型推理验证脚本，与效果对比。发现设置热词鄂A的时候，有一条数据是转了阿拉伯数字，其他没转。

`
from funasr.auto.auto_model_vllm import AutoModelVLLM

def main():
model = AutoModelVLLM(
model="model/FunAudioLLM--Fun-ASR-Nano-2512/snapshots/master",
hub="ms",
tensor_parallel_size=1,
gpu_memory_utilization=0.3,
)

results = model.generate(
    ["/workspace/processed_16k_wavs/134.200.46.9_5090-1787544499.850172_16k.wav", "/workspace/processed_16k_wavs/134.200.46.9_5090-1787546051.851120_16k.wav"],
    language="中文",
    itn=True,
)
for r in results:
    print(f"[{r['key']}] {r['text']}")
    
print("热词为鄂A")
results = model.generate(
    ["/workspace/processed_16k_wavs/134.200.46.9_5090-1787544499.850172_16k.wav", "/workspace/processed_16k_wavs/134.200.46.9_5090-1787546051.851120_16k.wav"],
    language="中文",
    hotwords=["鄂A"],
    itn=True,
    
)
for r in results:
    print(f"[{r['key']}] {r['text']}")
    
print("热词为鄂A 车牌 车主")
results = model.generate(
    ["/workspace/processed_16k_wavs/134.200.46.9_5090-1787544499.850172_16k.wav", "/workspace/processed_16k_wavs/134.200.46.9_5090-1787546051.851120_16k.wav"],
    language="中文",
    hotwords=["鄂A","车牌","车主"],
    itn=True,
    
)
for r in results:
    print(f"[{r['key']}] {r['text']}")

if name == 'main':
main()

`

2026-09-02 13:59:45,794 [INFO] Loaded embedding layer: torch.Size([151936, 1024])
2026-09-02 13:59:45,982 [INFO] Audio encoding: 2 samples in 0.167s
Rendering prompts: 100%|██████████████████████████████████████████████| 2/2 [00:00<00:00, 270.87it/s]
Processed prompts: 100%|█| 2/2 [00:00<00:00, 11.44it/s, est. speed input: 1076.02 toks/s, output: 612
2026-09-02 13:59:46,165 [INFO] vLLM generation: 0.183s
[134.200.46.9_5090-1787544499.850172_16k] 喂，你好，女士，请坐。喂，你好，女士，请你都是请到车台。喂，喂，你好，都是请到车台。六T R零七鄂A六一R零七是吧？六T六G R零七六T R零七啊。
[134.200.46.9_5090-1787546051.851120_16k] 啊，帮忙查一下那个车主电话，嗯，帮我接对方车牌鄂A鄂A T T零D T零七二六七二六，对，好，安全生产集中，请不要挂断。
热词为鄂A
2026-09-02 13:59:46,257 [INFO] Audio encoding: 2 samples in 0.057s
Rendering prompts: 100%|█████████████████████████████████████████████| 2/2 [00:00<00:00, 2506.31it/s]
Processed prompts: 100%|█| 2/2 [00:00<00:00, 12.60it/s, est. speed input: 1665.72 toks/s, output: 719
2026-09-02 13:59:46,417 [INFO] vLLM generation: 0.160s
[134.200.46.9_5090-1787544499.850172_16k] 喂，你好，女士，请把车开。喂，喂，你好，女士，请嗯，女士，请把车开。喂，喂，你好，女士，请把车开。六T R零七鄂A六一R零七是吧？六T六G R零七六T R零七啊。
[134.200.46.9_5090-1787546051.851120_16k] 啊，帮忙查一下那个车主电话。 你们帮我接对方车牌鄂A鄂A T T零D T零726726，对，好吧，财产集中审交挂载。
热词为鄂A 车牌 车主
2026-09-02 13:59:46,513 [INFO] Audio encoding: 2 samples in 0.058s
Rendering prompts: 100%|█████████████████████████████████████████████| 2/2 [00:00<00:00, 2339.27it/s]
Processed prompts: 100%|█| 2/2 [00:00<00:00, 12.65it/s, est. speed input: 1797.02 toks/s, output: 714
2026-09-02 13:59:46,673 [INFO] vLLM generation: 0.160s
[134.200.46.9_5090-1787544499.850172_16k] 喂，你好，女士，请到车台。喂，喂，你好，女士，请。女士，请到车台。喂，喂，你好，女士，请到车台。六T R零七鄂A六一R零七是吧？六T六G R零七，六T R零七啊。
[134.200.46.9_5090-1787546051.851120_16k] 啊，帮忙查一下那个车主电话。 你们帮我接对方车牌鄂A鄂A T T零D T零七二六七二六，对，好吧，财产集中审交挂。

[LauraGPT]

感谢你补齐三组原生模型对照日志，且明确说明暂不考虑 LoRA。这个结果足以说明问题不是 adapter 是否加载。

我已核对当前 main 的 AutoModelVLLM 实现：hotwords 会被拼入“热词列表”提示词上下文，然后与音频 embedding 一起送入 vLLM；它不是词典/FST 或前缀约束解码。因此日志中“个别数字变为阿拉伯数字、但完整车牌仍未被可靠转出”的现象与当前实现边界一致，不能把 hotwords=["鄂A"] 宣称为车牌纠错方案。

两段公开 WAV 都会作为无 LoRA 的回归样本处理。我正在建立与报告环境相容的 CUDA 12.8 隔离运行环境，以便对同一音频在当前发布代码上复现；在得到基础模型原始输出前，不会把环境差异或热词效果误判为修复。

当前 issue 保持 open。后续会分开记录：

1. 原生模型的逐字车牌片段错误；
2. ITN 数字规整效果；
3. 热词提示的可观测影响；
4. 车牌业务提取应由下游规则/小模型承担的部分。

这样可以避免用“最终车牌”标签掩盖原始 ASR 漏转，也不会要求你先训练 LoRA 才承认基础模型在该场景的限制。

[LauraGPT]

已完成当前主线的真实 GPU 对照复现，确认这不是 LoRA 或参数未传入导致的表象。

复现环境

• FunASR main@0edb383df8d7a9d300a5defd5bd212a17434cfc1
• vllm==0.10.2、torch==2.8.0+cu128、CUDA 12.8，H100 80 GB
• tensor_parallel_size=1、gpu_memory_utilization=0.3、language="中文"、itn=True
• 你提供的两段公开 16 kHz WAV；无 LoRA。
• 本机 ModelScope 缓存缺少 model.pt，所以实际跑的是已完整缓存的 HF revision 272c57b82523ada6fd87095e955f8e29100979ab。文本转写可用，但该 HF revision 缺 CTC tensors，时间戳被明确禁用；这不影响本次纯文本输出对照。

三组结果

1. 无热词：第一段出现 六T R零七二A六一R零七；第二段已有 鄂A鄂A T T零D T零七二六七二六，但整段仍有明显噪声/重复。
2. hotwords=["鄂A"]：第一段变为 六T R零七鄂A六一R零七，第二段车牌片段基本不变。
3. hotwords=["鄂A", "车牌", "车主"]：第一段和第二段仍未形成稳定、完整的车牌恢复。

这与您日志中的现象一致：热词确实进入模型并能影响局部文本，但不是字符级的硬约束或词典解码，不能保证在电话噪声、重复确认、中文数字与字母混读下恢复完整车牌。问题已由基础模型、当前主线与同类 vLLM 版本复现，不能把它归因为你的 LoRA 或调用错误。

证据已保存为 funasr-3611-main-0edb383d-vllm-cu128-20260902T065438Z/results.json。我会把这类车牌片段作为后续质量回归候选；本 issue 保持 open。短期生产链路仍应把 ASR 原始候选与下游的合法车牌规则/小模型提取分开评估，避免把热词当作确定性纠错。

[CurtainRight]

已完成当前主线的真实 GPU 对照复现，确认这不是 LoRA 或参数未传入导致的表象。

复现环境

• FunASR main@0edb383df8d7a9d300a5defd5bd212a17434cfc1
• vllm==0.10.2、torch==2.8.0+cu128、CUDA 12.8，H100 80 GB
• tensor_parallel_size=1、gpu_memory_utilization=0.3、language="中文"、itn=True
• 你提供的两段公开 16 kHz WAV；无 LoRA。
• 本机 ModelScope 缓存缺少 model.pt，所以实际跑的是已完整缓存的 HF revision 272c57b82523ada6fd87095e955f8e29100979ab。文本转写可用，但该 HF revision 缺 CTC tensors，时间戳被明确禁用；这不影响本次纯文本输出对照。

三组结果

1. 无热词：第一段出现 六T R零七二A六一R零七；第二段已有 鄂A鄂A T T零D T零七二六七二六，但整段仍有明显噪声/重复。
2. hotwords=["鄂A"]：第一段变为 六T R零七鄂A六一R零七，第二段车牌片段基本不变。
3. hotwords=["鄂A", "车牌", "车主"]：第一段和第二段仍未形成稳定、完整的车牌恢复。

这与您日志中的现象一致：热词确实进入模型并能影响局部文本，但不是字符级的硬约束或词典解码，不能保证在电话噪声、重复确认、中文数字与字母混读下恢复完整车牌。问题已由基础模型、当前主线与同类 vLLM 版本复现，不能把它归因为你的 LoRA 或调用错误。

证据已保存为 funasr-3611-main-0edb383d-vllm-cu128-20260902T065438Z/results.json。我会把这类车牌片段作为后续质量回归候选；本 issue 保持 open。短期生产链路仍应把 ASR 原始候选与下游的合法车牌规则/小模型提取分开评估，避免把热词当作确定性纠错。

1、下载的模型是有该文件啊

2、你们会持续优化此种问题吗（问题已由基础模型、当前主线与同类 vLLM 版本复现）

[LauraGPT]

你说得对，我需要更正上一条的表述：你的 ModelScope 下载快照里有 model.pt，截图也与 checkpoint-native 分发一致。我当时指的是用于那轮复现的测试机本地 ModelScope 缓存没有该文件，因此改用了已缓存的 HF revision；这只是我的复现环境选择，不能表述成你下载的模型缺少 model.pt。本次纯文本对照不依赖 CTC，但这处说明必须说清楚。

关于持续优化：会继续跟踪，而且不会把这个归结为“热词没配好”或要求你先训练 LoRA。当前已有的证据是：两段电话音频在基础模型、当前主线和三组热词下都存在稳定的车牌片段错误；hotwords 只是一种软提示，不能作为车牌字符级纠错承诺。

接下来我会把这两段公开 WAV 的无 LoRA 输出、车牌片段评测和不同解码/模型版本的结果固定为质量回归候选，先建立可量化基线，再评估可重复改进。优化目标会拆开记录：逐字转写、中文数字/字母规整、以及重复确认语音中的最终车牌提取，避免用后处理结果掩盖 ASR 本身的漏转。

此 issue 保持打开。下一轮我会回报可复核的基线和具体改动，不会只给泛泛的“持续优化”承诺。