論文の概要: Training-Free Affinity Fusion of Neural and Embedding-Based Speaker Diarization

• arxiv url: http://arxiv.org/abs/2609.39162v1
• Date: Wed, 30 Sep 2026 07:25:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.383777
• Title: Training-Free Affinity Fusion of Neural and Embedding-Based Speaker Diarization
• Title（参考訳）: ニューラルネットワークと埋め込み型話者ダイアリゼーションの学習自由親和性融合
• Abstract要約: トレーニングフリーアフィニティフュージョンは、ニューラルダイアリザーによって推定される話者構造を埋め込みベースのダイアリゼーションシステムに統合する。 AMIとCALLHOMEの実験では、両方の構成系に対して一貫したDERの改善が見られた。
• 参考スコア（独自算出の注目度）: 10.209637577876842
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Speaker diarization systems based on speaker embeddings and neural diarization exploit complementary forms of speaker information, but their intermediate representations are not directly compatible. We introduce Training-Free Affinity Fusion (TFAF), which integrates the speaker structure inferred by a neural diarizer into an embedding-based diarization system. The neural speaker partition is used to condition local speaker representations, from which we construct a continuous affinity matrix and combine it with the embedding-based acoustic affinity before a single global clustering step. The method requires no additional training, shared embedding space, speaker-label alignment, or hard transfer of the neural diarizer's speaker count. Experiments on AMI and CALLHOME show consistent DER improvements over both constituent systems; on AMI, fusion also improves speaker-attributed transcription. Ablations show that the neural speaker partition accounts for most of the gain, while retaining the continuous embedding-based affinities provides additional benefit over hard partition fusion.
• Abstract（参考訳）: 話者埋め込みとニューラルダイアリゼーションに基づく話者ダイアリゼーションシステムは、話者情報の相補的な形式を利用するが、その中間表現は直接互換性がない。 本稿では,ニューラルダイアリザによって推定される話者構造を埋め込み型ダイアリゼーションシステムに統合したトレーニングフリーアフィニティフュージョン(TFAF)を導入する。 ニューラルネットワーク分割は局所話者表現の条件付けに用いられ、そこから連続的な親和性行列を構築し、単一のグローバルクラスタリングステップの前に埋め込みベースの音響親和性と組み合わせる。 この方法は、追加のトレーニング、共有埋め込みスペース、話者-ラベルアライメント、または神経ダイアリザの話者数のハード転送を必要としない。 AMIとCALLHOMEの実験では、両方の構成系に対して一貫したDERの改善が見られた。 アブレーションは、ニューラルスピーカー分割がほとんどの利得を担いながら、連続的な埋め込みベースの親和性を維持することは、ハードパーティション融合よりもさらなる利益をもたらすことを示している。

関連論文リスト

• Interpolating Speaker Identities in Embedding Space for Data Expansion [38.856864258602165]
  INSIDE(Interpolating Speaker Identities in Embedding Space)は、既存の話者埋め込みを補間することによって、新しい話者アイデンティティを合成する新しいデータ拡張手法である。 INSIDEで訓練されたモデルは、実際のデータでのみ訓練されたモデルより優れ、3.06%から5.24%改善した。
  論文  参考訳（メタデータ） (2025-08-26T17:15:42Z)
• Improving Speaker Diarization using Semantic Information: Joint Pairwise Constraints Propagation [53.01238689626378]
  本稿では,話者ダイアリゼーションシステムにおける意味情報を活用する新しい手法を提案する。 音声言語理解モジュールを導入し、話者関連意味情報を抽出する。 本稿では,これらの制約を話者ダイアリゼーションパイプラインに統合する新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2023-09-19T09:13:30Z)
• Controllable speech synthesis by learning discrete phoneme-level prosodic representations [53.926969174260705]
  直感的な離散ラベルを用いたF0と持続時間に対する音素レベル韻律制御のための新しい手法を提案する。 複数話者音声データセットから音素レベルF0と持続時間の特徴を識別するために用いられる教師なし韻律クラスタリングプロセスを提案する。
  論文  参考訳（メタデータ） (2022-11-29T15:43:36Z)
• End-to-End Diarization for Variable Number of Speakers with Local-Global Networks and Discriminative Speaker Embeddings [66.50782702086575]
  本論文では,単一チャンネルの音声記録から会議ダイアリゼーションを行う,エンドツーエンドのディープネットワークモデルを提案する。 提案システムは,可変数の置換不変なクロスエントロピーに基づく損失関数を用いて,未知数の話者とのミーティングを処理するように設計されている。
  論文  参考訳（メタデータ） (2021-05-05T14:55:29Z)
• Speaker diarization with session-level speaker embedding refinement using graph neural networks [26.688724154619504]
  話者ダイアリゼーション問題に対するグラフニューラルネットワーク(GNN)の最初の利用法として,GNNを用いて話者埋め込みを局所的に洗練する手法を提案する。 事前学習されたモデルによって抽出された話者埋め込みは、単一のセッション内の異なる話者がより分離された新しい埋め込み空間に再マップされる。 改良された話者埋め込みのクラスタリング性能は,シミュレーションデータと実会議データの両方において,元の埋め込みよりも優れていた。
  論文  参考訳（メタデータ） (2020-05-22T19:52:51Z)
• Speaker Diarization with Lexical Information [59.983797884955]
  本研究では,音声認識による語彙情報を活用した話者ダイアリゼーション手法を提案する。 本稿では,話者クラスタリングプロセスに単語レベルの話者回転確率を組み込んだ話者ダイアリゼーションシステムを提案し,全体的なダイアリゼーション精度を向上させる。
  論文  参考訳（メタデータ） (2020-04-13T17:16:56Z)
• End-to-End Neural Diarization: Reformulating Speaker Diarization as Simple Multi-label Classification [45.38809571153867]
  本稿では,ニューラルネットワークが直接話者ダイアリゼーション結果を出力するエンド・ツー・エンド・ニューラルダイアリゼーション(EEND)を提案する。 話者セグメントラベルとマルチスピーカ記録を連携させることにより,本モデルは実際の会話に容易に適応できる。
  論文  参考訳（メタデータ） (2020-02-24T14:53:32Z)

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。