ADMEDVOICE：首个波兰医学语音数据集助力提升医疗领域自动听写准确性

研究人员针对波兰语医疗领域缺乏专业语音数据集的问题，开发了ADMEDVOICE——首个包含真实场景录音、匿名化及合成语音的波兰医学语音库。该数据集涵盖15小时自然语音（28名说话者）和83小时增强数据，通过微调Whisper模型将WER（词错误率）从24.03%降至13.91%，为低资源语言的医疗ASR（自动语音识别）研究提供了重要基准。

　　

在医疗信息化快速发展的今天，自动语音识别（ASR）技术已成为提升临床工作效率的关键工具。然而，专业领域如医疗听写仍面临严峻挑战——尤其是对于波兰语等低资源语言，缺乏高质量的领域适配数据集导致现有模型（如Whisper）在真实医疗场景中错误率居高不下。医疗文本中复杂的术语体系（如拉丁语缩写"LV"可能被误读为罗马数字）、多变的录音环境（从安静诊室到嘈杂手术室），以及严格的隐私要求，共同构成了技术落地的"三重门"。

针对这一瓶颈，格但斯克理工大学（Gdansk University of Technology）多媒体系统部门联合当地医学中心，历时两年打造了ADMEDVOICE数据集。这项发表于《Scientific Data》的研究通过三大创新突破：首先，采集了覆盖7类医疗场景的3132条真实临床短语，包含12.3%的专业术语；其次，采用SALT工具对语音进行匿名化处理，保留语言特征的同时消除身份信息；最后，利用SpeechGen合成技术生成高质量辅助数据。研究团队特别设计了多模态采集方案——在专业录音室（STI>0.9）和真实医疗环境（STI=0.75）同步录制，并使用Rode NT-SF-1等设备捕捉环境噪声，确保数据多样性。

关键技术方法包括：1）基于ICD-9术语库构建文本语料库，通过SSML标记解决缩写歧义；2）采用WavLM-Large模型进行语音匿名化，融合41名参考说话人特征；3）使用NISQA模型评估语音质量，筛选MOS>3.5的样本；4）微调769M参数的Whisper-medium模型，结合CommonVoice等外部数据提升性能。

研究结果方面：

数据特征：最终发布的83小时语料包含53,000条语句，其中自然语音占14小时（9933条），匿名化数据达58小时（32,633条）。频谱分析显示三类数据具有显著差异（图6），匿名化语音在250-4000Hz频段保留了更完整的共振峰结构。

模型性能：基线Whisper在测试集上WER为24.03%，仅使用自然语音微调后降至15.47%。当加入匿名化数据时，WER进一步改善至13.91%，证明数据增强策略的有效性（表6）。值得注意的是，合成语音单独训练时WER仅2.6%，但其泛化性较差，在真实语音测试中WER升至22.9%。

临床应用：针对医疗特有的挑战，研究团队建立了术语变体对照表（表1），如"DCIS"与"ductal carcinoma in situ"的发音映射，有效降低专业术语识别错误。多场景测试表明，模型在急诊科短语（平均时长2秒）和放射科复杂描述（最长30秒）中均表现稳定。

这项研究的突破性在于：首次为波兰语医疗ASR建立了完整的技术生态——从数据采集标准、隐私处理方案到性能评估体系。特别值得关注的是，研究者开创性地验证了匿名化数据可替代20%真实语音而不降低模型效果，这为受隐私法规限制的医学AI研究提供了新思路。随着电子病历的普及，该成果将直接助力东欧地区医疗信息化进程，其方法论对其它低资源语言也具有重要借鉴意义。未来工作将聚焦于术语歧义消解（如根据上下文区分"RTG"指X光检查还是放射治疗），以及开发适用于实时诊疗的流式识别系统。