城中村弱网环境的端侧语音报修结构化助手

1 · 创新命题

中 面向城中村物业巡查员和不便打字的住户，做离线语音报修入口，把粤语/普通话混说的“地点—设施—故障—紧急度”转成可人工确认的四字段工单；音频默认不离开手机，低置信字段必须复述确认，替代微信群里难搜索、容易遗漏且暴露住户声音身份的语音条。 EN An offline voice-to-ticket assistant for urban-village maintenance that turns mixed Cantonese–Mandarin reports into four confirmed fields—location, asset, fault, urgency—without uploading raw voice or pretending low-confidence speech was understood.

2 · 背景与空白

城中村楼栋密、地址非标准、设施报修常发生在微信群语音。科大讯飞、微信语音转文字、Whisper 和 sherpa-onnx 已能识别语音，物业 SaaS 也有工单；但云端通用转写不等于能生成可派单的窄字段，方言、设备名和门牌表达又最易错。空白在：不追求全文转写，而是离线提取四字段、显示证据片段并强制低置信确认，衡量的是漏派和纠错时间。中国优势来自城中村非标准地址语料与物业工作流可达、本地安卓设备成本低。不得偷录群聊；数据由参与者按情景脚本主动录制。

3 · 可检验假设

H1 在未见说话人、未见楼栋的测试集上，四字段完全正确率 ≥ 0.75、关键“地点+设施”联合召回 ≥ 0.90，端侧处理延迟中位数 ≤ 3 秒。 H2 与“直接发送微信语音”相比，物业人员将 60 条盲测报修转为可派单工单的时间中位数降低 ≥ 30%，漏字段率降低 ≥ 40%；若不成立，价值应改为隐私留痕而非效率。

4 · 量化验收标准

1. 【方法学校验 · 硬门槛】 用自建端侧管线复现 sherpa-onnx/Whisper 公开中文样例中 ≥ 100 句转写，字符错误率与官方报告/固定参考实现偏差 ≤ 5 个百分点，并在 20 条已知槽位合成句上字段解析一致率 100%。此条不过，后续全部结论无效。
2. ≥ 40 名自愿说话人、≥ 800 条脚本化但自然复述的报修，覆盖普通话、粤语及混说；按说话人和楼栋同时划分，防止声音/地址记忆泄漏。
3. 字段类别不均衡，报字段级 PR-AUC、召回、精确率与整单完全正确率，不只报 accuracy；随机句划分 vs 按说话人/楼栋划分对照量化高估。
4. 原始音频设定删除周期与撤回渠道；发布仅含获明确许可的合成/重录子集。
5. 低置信值不得静默填入，必须高亮并复述确认。最容易犯的致命错误是把方言识别错误自动写成错误门牌并派单。
6. 含 ML，团队须能白板解释声学识别、槽位规则、置信校准及错误如何传播。

5 · 数据与工具

用途	来源 / 工具
端侧 ASR	sherpa-onnx、Whisper.cpp 或手机系统离线模型；粤语覆盖、许可与入门机速度需核实
语料	物业共同制定情景脚本 + 自愿参与者重述；不抓微信群，不录真实住户争议
字段解析	有限词典/规则优先，轻量分类器辅助；楼栋词典由团队实现
测试硬件	两档安卓机 + 可选领夹麦克风，型号、系统、内存如实记录
对照基准	官方 ASR 样例与人工转写仅用于校验与对比，不计入本项目数据贡献

能力边界：噪声、口吃、少数方言和新楼栋会失败；工具不是紧急呼叫系统，疑似燃气/火灾必须显示拨打正式应急渠道而不自行判断。

6 · 赛季执行路径

1. 第 1–2 周：与物业冻结四字段、紧急旁路和脚本，完成同意文本。
2. 第 3–4 周：完成 100 句 ASR 与 20 句槽位方法学校验。
3. 第 5–7 周：采 800 条、做说话人/楼栋双隔离评估。
4. 第 8 周：置信校准和失败默认人工确认；第 8 周 go/no-go。
5. 第 9–10 周：物业人员语音 vs 结构工单交叉盲测。
6. 第 11 周：入门机离线延迟、耗电和噪声压力测试。
7. 第 12–13 周：隐私、单位经济和报名材料。
8. 第 14 周起：线下由评委随机说报修句，展示不确定性而非预录成功案例。

7 · 新颖性边界

已有工作：科大讯飞/微信语音转写、OpenAI Whisper、sherpa-onnx 与众多物业工单 SaaS 已存在；Schoolace 已占 AI 教育平台，本题不涉教育。不声称发明方言 ASR、达到全粤语覆盖或取代人工客服。贡献是城中村非标准地址的离线四字段协议、低置信强制确认和“语音条→可派单证据”的工作流。护城河为零联网（B）+ 工作流替换（D）+ 地理具体（G），楼栋词典和纠错数据会积累，但基础模型不是壁垒。

8 · go/no-go

第 4 周末：若入门机 100 句延迟中位数 > 8 秒，具名降级为“离线关键词/地点词典 + 人工摘要”，不跑大模型。第 8 周末：地点+设施召回 < 0.80，则降级为逐字段语音问答表单而非自由叙述。第 10 周末：若工单节时 < 15%，保留隐私与可检索留痕主张，删除效率承诺；主结论仍比较微信群语音工作流。