降噪之后的音频推理准确度下降

[MiningIrving]

我有一个需求需要在噪音环境中使用ASR进行转录，这些噪音处于高噪环境中，针对于以上需求我对wenet进行了一系列的噪音实验，发现了如下现象：
我向我的音频中添加SNR=1dB的白噪音后，不通过降噪其CER为4.55%
降噪之后其CER为28.12%，向降噪之后的音频加入4000~8000频率的白噪音再进行ASR推理，其准确度上升到7.67%。
在我的需求中，我确实需要使用到降噪模块，以保证VAD的准确性，我该如何对ASR进行改进，以达到人可以听清的时候，ASR也能转录正确。
是需要使用降噪后的数据进行微调吗，还是有其他方法

[fclearner]

端到端训练呗，asr去适应降噪模块，前端大佬们说任何软件层面的降噪都是对asr有损的

[fclearner]

可以把两个任务分开呢吗，一个是可以听(降噪)的音频，一个是用于识别的音频，asr可以加一些线上数据(带噪)去训练