論文の概要: Transsion's Speaker-Attributed Multilingual ASR System for the MLC-SLM 2026 Challenge

• arxiv url: http://arxiv.org/abs/2609.20833v1
• Date: Fri, 24 Jul 2026 09:42:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.68042
• Title: Transsion's Speaker-Attributed Multilingual ASR System for the MLC-SLM 2026 Challenge
• Title（参考訳）: MLC-SLM 2026チャレンジにおける話者対応多言語ASRシステム
• Abstract要約: 本稿では,MLC-SLM 2026 Challengeのタスク1へのトランスミッション音声チームの提出について述べる。 本稿では,話者ダイアリゼーションモジュール,長文多言語ASRモジュール,話者転写融合モジュールの3つのコンポーネントからなるカスケードフレームワークを提案する。 提出されたシステムは15.41%のAMERを達成し、全参加チームの中では2位である。
• 参考スコア（独自算出の注目度）: 27.647339613638067
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents the Transsion Speech Team submission to Task 1 of the MLC-SLM 2026 Challenge, which focuses on speaker-attributed transcription for multilingual conversational speech. We propose a cascaded framework consisting of three components: a speaker diarization module, a long-form multilingual ASR module, and a speaker-transcription fusion module. The diarization module is built upon DiariZen and produces speaker-homogeneous segments through local speaker activity estimation and global speaker clustering. The ASR module is based on Qwen3-Omni and generates multilingual transcriptions, while an external CTC-based alignment model provides precise word- and character-level timestamps. Finally, the fusion module combines diarization outputs with timestamped transcriptions to generate speaker-attributed STM outputs. Experimental results on the official evaluation set demonstrate the effectiveness of the proposed framework. The submitted system achieves a tcpMER of 15.41% and ranks second among all participating teams.
• Abstract（参考訳）: MLC-SLM 2026 Challengeのタスク1に対して,多言語会話音声のための話者分散型文字起こしに焦点を当てたTranssion Speech Teamを提出する。 本稿では,話者ダイアリゼーションモジュール,長文多言語ASRモジュール,話者転写融合モジュールの3つのコンポーネントからなるカスケードフレームワークを提案する。 ダイアリゼーションモジュールはDiariZen上に構築され、局所的な話者活動推定とグローバルな話者クラスタリングによって話者均質なセグメントを生成する。 ASRモジュールはQwen3-Omniに基づいて多言語転写を生成するが、外部CTCベースのアライメントモデルは正確な単語と文字レベルのタイムスタンプを提供する。 最後に、融合モジュールはダイアリゼーション出力とタイムスタンプされた転写とを組み合わせて、話者対応のSTM出力を生成する。 公式評価セットの実験結果から,提案フレームワークの有効性が示された。 提出されたシステムは15.41%のtcpMERを達成し、全参加チームの中では2位である。

関連論文リスト

• Diarization-Guided Qwen-ASR Adaptation for Multilingual Two-Speaker Conversational Speech [14.048968602801606]
  本稿では,MLC-SLM 2026 Challenge のタスク1における自己設計型幻覚システムについて述べる。 このシステムはモジュラースピーカーダイアリゼーションフロントエンドとチャレンジ適応型Qwen3-ASR-1.7B認識器を組み合わせたものである。
  論文  参考訳（メタデータ） (2026-07-09T08:07:34Z)
• Who Spoke What When? Evaluating Spoken Language Models for Conversational ASR with Semantic and Overlap-Aware Metrics [99.89493037369071]
  音声の重複や遠距離雑音,話者数の変化など,会話の自動音声認識は依然として困難である。 近年のLCMベースのシステムは単一話者のベンチマークでは良好に動作するが、マルチ話者設定におけるロバスト性は不明確である。 重なり、意味的忠実度、話者数、シングルチャンネルとマルチチャネル入力の4つの軸に沿って、LLMベースのアプローチとモジュラーアプローチを体系的に比較する。
  論文  参考訳（メタデータ） (2026-03-24T02:01:21Z)
• Transsion Multilingual Speech Recognition System for MLC-SLM 2025 Challenge [18.816408172588144]
  本稿では,MLC-SLM 2025 Challengeのトラック1用トランスミッション音声チームが開発した,新しい多言語自動音声認識(ASR)システムのアーキテクチャと性能について述べる。 提案システムは,(1)凍結したWhisper-large-v3ベースの音声エンコーダで,大規模事前学習を利用してロバストな音響特徴抽出を実現する。 事前訓練されたモデルとタスク固有の微調整を体系的に組み合わせることで、11言語で9.83%の単語/文字エラー率(WER/CER)を達成した。
  論文  参考訳（メタデータ） (2025-08-15T10:39:05Z)
• MSA-ASR: Efficient Multilingual Speaker Attribution with frozen ASR Models [59.80042864360884]
  話者分布自動音声認識(SA-ASR)は,対応する話者に文字を正確に割り当てながら音声を転写することを目的としている。 本稿では,凍結した多言語ASRモデルを用いて話者属性を転写に組み込む新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-11-27T09:01:08Z)
• Adapting Multi-Lingual ASR Models for Handling Multiple Talkers [63.151811561972515]
  最先端の大規模音声モデル(USM)は、複数のドメインや言語にまたがる適切な自動音声認識(ASR)性能を示す。 マルチストーカーASRに対するUSMの適応手法を提案する。 まず,マルチストーカーASRと発話タイムスタンプ予測を共同で行うシリアライズ出力訓練の強化版を開発する。
  論文  参考訳（メタデータ） (2023-05-30T05:05:52Z)
• ComSL: A Composite Speech-Language Model for End-to-End Speech-to-Text Translation [79.66359274050885]
  公的な事前訓練された音声のみのモデルと言語のみのモデルからなる複合アーキテクチャ上に構築された音声言語モデルであるComSLを提案する。 提案手法は,エンドツーエンドの音声-テキスト翻訳タスクにおいて有効であることを示す。
  論文  参考訳（メタデータ） (2023-05-24T07:42:15Z)
• ERNIE-SAT: Speech and Text Joint Pretraining for Cross-Lingual Multi-Speaker Text-to-Speech [58.93395189153713]
  言語間複数話者音声合成タスクの事前学習法を拡張した。 本稿では,スペクトルと音素をランダムにマスキングする,音声・テキスト共同事前学習フレームワークを提案する。 本モデルは,話者埋め込み型マルチスピーカTS法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2022-11-07T13:35:16Z)
• The HW-TSC's Offline Speech Translation Systems for IWSLT 2021 Evaluation [22.617563646374602]
  本稿では,IWSLT-2021オフライン音声翻訳タスクの取り組みについて述べる。 本システムは,話者ダイアリゼーションモジュール,音声認識モジュール(ASR)モジュール,機械翻訳モジュール(MT)モジュールなど,カスケード形式で構築された。 本手法は2021年のテストセットで24.6 BLEUのスコアを得る。
  論文  参考訳（メタデータ） (2021-08-09T07:28:04Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。