临床 ASR 飞轮 — 构建基准

要解决什么问题

临床 ASR 在药名、手术名、缩写和多词实体上经常翻车，但没有对齐专科的评测集，阶段 3 的 KER 就无法区分「模型不行」和「参考发音/术语表不行」。本技能对应飞轮阶段 2（整理与合成）：在已完成 /digital-health-clinical-asr-setup 的前提下，把医生侧的真实痛点收成一份可打分的基准，并带上 NeMo 可用的 manifest.jsonl 与对应 audio/*.wav，交给 /digital-health-clinical-asr-eval。

技能如何工作

流程是对话式、带门控的，不是一键脚本：

• 2a 专科访谈：一次只问一个问题，沉淀 4–10 个术语，写入 term_seed.csv；entity_category 只能是 drug、procedure、anatomy、condition、lab、role 六类之一。
• 2b 句子变体：经 /data-designer 为每个术语生成 3–5 条嵌入术语的英文句（context_type 如 dictation、handoff 等）；不可用时可模板回退并标记，便于后续重生成。
• 2c 两级 IPA：override → Merriam-Webster → magpie_g2p；每行 manifest 带 ipa_source，便于阶段 3 按发音策略拆榜。
• 2d QA 试听（fail-closed）：完整笛卡尔积之前，每个术语先合成一条 QA wav，必须用户亲耳确认（或明确书面跳过并记入周期备注），再锁定 pronunciation_overrides.csv。
• 2e 全量生成：默认在音色、噪声（clean / snr_15db / snr_5db）、上下文上做乘积；大任务注意 Magpie NVCF 限流与缺行重跑。

产出包括 term_seed.csv、pronunciation_overrides.csv（可跨周期追加）、manifest.jsonl（含 term、entity_category、ipa_source、voice_id、noise_level、context_type 等扩展字段）及音频目录。

边界与注意点

• 会向 Merriam-Webster（术语出现在请求 URL）和 NVIDIA NVCF Magpie TTS（合成文本/SSML）发送非 PHI 的合成内容；敏感专有术语需先确认组织数据治理是否允许外传；完全拒绝 MW 可走路径 C，长尾术语 IPA 覆盖率会下降。
• 默认英文 en-US；六个实体类别是方法论硬约束，随意增类会破坏 KER 拆解。
• 已有 manifest 只想打分 → /digital-health-clinical-asr-eval；微调 → finetune 技能；通用 TTS/auth/NIM 部署 → 对应 riva/read-aloud 路由，勿在本技能硬扛。