본 논문은 딥러닝 기반 자동 음성 인식(ASR) 시스템이 복잡한 환경, 특히 여러 화자, 음성 겹침, 도메인 특정 용어 및 장기간 문맥 의존성이 존재하는 TV 시리즈와 같은 환경에서 정확도가 떨어지는 문제를 해결하기 위해 제안된 Video-Guided Post-ASR Correction (VPC) 프레임워크를 제시한다. VPC는 비디오-대규모 다중 모달 모델(VLMM)을 사용하여 비디오 문맥을 포착하고 ASR 출력을 개선한다. TV 시리즈 벤치마크 평가 결과, 제안된 방법이 복잡한 멀티미디어 환경에서 전사 정확도를 지속적으로 향상시키는 것을 보여준다.