技术问询：如何修正音频转录所得拼写错误的美妆产品名称？

1. 专有词典+模糊匹配方案 #

• 搭建权威美妆品牌/产品词典：收录官方品牌名（如Fenty Beauty、Joah Beauty）及对应产品线（如Fenty Skin Hydrovisor保湿霜），按品牌、产品类型分层存储。
• 采用编辑距离算法（如Levenshtein距离）计算转录文本与词典条目相似度，设定合理阈值（如编辑距离≤2）触发匹配替换：比如"Finty"与"Fenty"编辑距离为1，"Joa"与"Joah"编辑距离为1，直接完成修正。
• 结合产品类型交叉验证：比如转录文本中的"Moisturizer"对应保湿类产品，匹配词典中Fenty的Skin Hydrovisor系列，进一步确认修正准确性。

2. 音频溯源+发音匹配方案 #

• 回溯转录对应的音频片段，提取低置信度的品牌发音片段：比如"Finty"尾音与"Fenty"差异极小，"Joah"的尾音/h/可能因弱读被转录遗漏。
• 建立品牌标准发音库：从品牌官网、权威发音词典提取官方发音，将音频片段与发音库做声学特征比对，匹配最接近的正确品牌名。

3. 上下文规则引擎方案 #

• 梳理美妆品牌与产品类别关联规则：比如黑眼圈遮瑕膏多归属彩妆品牌，Joah Beauty是知名彩妆品牌，无"Joa Beauty"相关产品；保湿霜对应Fenty Skin系列，无"Finty Skin Hydrovisor"产品。
• 构建规则触发修正：当出现「Moisturizer + 近似Fenty拼写」时，替换为Fenty；出现「近似Joah拼写 + Beauty + Concealer」时，替换为Joah。

4. 行业小样本微调大模型方案 #

• 收集美妆领域常见转录错误-正确名称对（如Finty→Fenty、Joa→Joah等），用这批小样本数据微调GPT-3或美妆领域预训练模型（如美妆BERT），让模型学习行业品牌拼写规律，提升针对性修正能力。

内容的提问来源于stack exchange，提问作者Ankesh