设计目标
从纯人工标注 → AI 预判 + 智能分流 + 人机协作，将人力聚焦在 AI 无法决策的困难样本上。系统不做"全自动替代"，而是做"证据驱动的分流"——能判的自动判，不能判的给人工提供充分证据。
全链路 Pipeline
Step 1
数据输入
音频URL + 双ASR文本
→
Step 2
音频转拼音
Qwen3.5-Omni-Flash
→
Step 3
Pinyin 对齐 + 分类
声学匹配 · 编辑距离
→
Step 4
实体提取 + 搜索
上下文感知联网验证
→
Step 5
LLM 综合判定
Qwen-Max 证据驱动
→
Step 2 · 音频拼音（Ground Truth）
使用 Qwen3.5-Omni-Flash 多模态模型，直接从原始音频转写拼音序列。这是独立于两个 ASR 候选的第三方物理事实，作为判定的最高优先证据。对内网音频自动下载转 base64 绕过访问限制。
Step 3 · Pinyin 对齐引擎
对两个 ASR 候选做 text→pinyin 转换，逐 token 对齐比较（完全匹配/近似/不匹配），计算与音频拼音的编辑距离和声学匹配度。归一化处理包括：去语气词、声母容差（zh→z, ch→c）、韵母容差（ing→in）、口吃去重。
Step 4 · 上下文感知实体搜索
两步法：① LLM 从双候选中提取疑似专有名词（含拼音联想，如"保龄"→"宝琳"）；② 对每个实体联网搜索验证，搜索时携带共现实体作为领域上下文（如搜"宝琳"时告知同句还有"瓦里奥"→游戏领域→任天堂角色）。最多并发搜索 6 个实体。
Step 5 · 证据驱动 LLM 判定
所有信号打包为结构化证据注入 Prompt：差异分类、拼音差异位置、声学匹配度、搜索验证结果。LLM 综合判定而非硬规则——系统计算证据，LLM 做整体判断，输出选择、建议答案、置信度、错误等级和核听位置。
处理分支
系统对每条数据先做 Pinyin 对齐分类，然后按以下三个分支处理：
分支 1 · 文本一致
两文本完全相同，或拼音完全一致/近似（声母韵母容差内）。直接跳过 LLM，标记为自动处理。
处理方式：零 API 调用，置信度 99%，即时完成
分支 2 · 仅语气词差异 + 无音频
去除语气词（嗯/啊/哎哎等）后核心内容一致，且没有音频 URL。规则快捷处理：直接选更简洁的版本，不调 LLM。
例："嗯我觉得可以" vs "我觉得可以" → 选后者，P2 微瑕疵
分支 3 · 其余所有情况
走完整 Pipeline：音频转拼音 → 声学匹配 → 实体搜索 → LLM 综合判定。置信度 ≥80% 自动处理，<80% 流入人工标注。
含：同音异字（如"霸王别姬/别鸡"）、实质差异（如"胡集镇/湖集镇"）、有音频的语气词差异
注：统计面板中的 Case 1/2/3 是 Pinyin 对齐的分类标签（同音异字 / 语气词差异 / 拼音实质差异），用于观察数据分布。实际处理逻辑按上述三个分支执行，Case 1 和 Case 3 走相同的完整 Pipeline。
核心判定原则
以下原则内置于 LLM 判定 Prompt 中，指导每一条判定决策。原则会根据标注员的 Override 反馈持续迭代更新——每一次修正都可能催生新规则或修正旧规则。
⚡ 格式短路规则（最高优先级）
先判断语义是否一致，若一致则按场景惯用写法选格式更合理的一方，跳过音频拼音比对。
⚡按场景选格式：数学算式选符号（÷优于除以），编程选符号（C++优于C加加），专有名词保留汉字（三国演义不写3国），口语量词选汉字（两块钱优于2块钱）
一、音频为锚
音频拼音是唯一的物理事实，必须逐字核对，忠实还原优于润色通顺。
1逐字核对拼音：将音频拼音与两个候选逐音节对齐比对，不能模糊地说"更接近"
2忠实 > 通顺：音频中有口吃/重复/语气词，候选保留了这些音节的更优。不能因"删掉口吃更通顺"就选它
3拼音联想突破：不局限于 A/B 已给出的字，主动考虑同拼音可能对应的其他词汇
二、搜索验证
专有名词不能靠猜——必须联网搜索，但搜到一个不等于另一个不存在。
4搜索证实优于发音：搜索证实的专有名词正确写法优先，即使因口音/口误发音略有偏差
5同音专有名词都存在→分流：当两个同音候选的专有名词经搜索都能找到时，降低置信度分流人工
三、容差
微小差异不影响判定。
7P2微瑕不主导：语气词/口吃/标点/儿化音差异属 P2。儿化音在拼音中通常不体现，不能因拼音无儿化就否定含儿化的候选
四、兜底机制
AI 不确定时，主动降低置信度、标明疑点，让人工介入。宁可多分流，不可错判。
8双劣则弃：两个候选都不通顺/语义难理解时，即使一方稍好也应判定低置信度（<50），流入人工
9语义分歧则让：两个候选语义完全不同时，必须流入人工核听，通顺不等于正确
10模糊则让：音频拼音与两候选都有差距且各有含义时，给低置信度（<70）让人工核听
11完整性优先：一方明显截断/缺失内容时，选择更完整的版本，不因"更简洁"而选截断版
12标记核听位置：不确定的部分在 focus_points 中标明，引导标注员重点核听
错误等级体系
P0 · 语义错误
关键字误识导致意思完全改变。如"废玻璃"→"非剥离"，核心语义偏转。
P1 · 漏转/错字
漏转、多转或错字，但不改变核心语义。如漏掉量词、错别字但读者仍能理解原意。
P2 · 微瑕疵
标点、格式、数字写法、语气词增减等不影响理解的差异。
人工标注界面设计
标注员视角
- 顶部音频播放器（通过后端代理支持内网音频）+ 核听位置标注
- 音频拼音作为 Ground Truth 独立展示
- A/B 双栏对比：拼音 + 文本 + Diff 高亮，差异位置一目了然
- 六个决策选项：A更优 / B更优 / 差不多 / 不确定 / 都不好 / 其他语言
- 键盘快捷键 1-6 选择，Enter 确认并进入下一条，左右箭头导航
AI 辅助侧面板
- AI 建议：推荐答案 + 置信度条（高/中/低三档可视化）
- 判定理由：30 字内结构化摘要
- 建议答案：可能综合 A+B 优点或基于拼音推导的更优版本
- 核听位置：告诉标注员应重点关注哪个片段
- 搜索结果：已核实的专有名词写法及证据
自迭代优化机制
反馈闭环设计
- 自动处理 Override：标注员可对 AI 自动决策的结果进行修改并填写原因。这些修改记录随结果一起导出，用于分析 AI 判定的系统性偏差（如某类专有名词总是判错、某个格式规则不合理），进而反馈调整 Prompt 中的判定原则
Prompt 迭代路径
- 收集 Override 原因 + 偏离 case → 识别高频模式
- 将模式转化为新的判定原则或修正现有原则
- 用历史数据回测新 Prompt 的准确率变化
- 当前已迭代到 12 条原则 + 1 条短路规则，覆盖格式短路、逐字核对、忠实优先、同音分流、语义分歧让渡等场景
技术栈
- 音频转拼音：Qwen3.5-Omni-Flash（多模态，音频直接输入）
- 拼音对齐：pinyin-pro（前端）+ 编辑距离 + 声母韵母容差归一化
- 实体搜索：Qwen-Max + enable_search（DashScope 内置联网搜索）
- 综合判定：Qwen-Max（证据驱动 Prompt，结构化 JSON 输出）
- 部署：本地 Python 代理 / Cloudflare Pages Functions