論文の概要: Slots Are Not Speakers: Training-Free Speaker Linking for Frozen Streaming Diarizers

• arxiv url: http://arxiv.org/abs/2610.28053v1
• Date: Tue, 20 Oct 2026 11:40:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.782985
• Title: Slots Are Not Speakers: Training-Free Speaker Linking for Frozen Streaming Diarizers
• Title（参考訳）: スロットはスピーカーではない:凍結ストリーミングダイアリザのためのトレーニング不要の話者リンク
• Abstract要約: 本稿では、凍結ストリーミングダイアリザが出力スロットよりも多くの話者を追跡できる因果無訓練リンカーを提案する。 それはリラベルのみであり、音声と誤報はホストのものと同一であり、全ての利得は話者の混乱を減少させる。
• 参考スコア（独自算出の注目度）: 0.3823356975862005
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: This paper presents a causal, training-free linker that allows a frozen streaming diarizer to track more speakers than it has output slots. Streaming end-to-end diarizers such as Streaming Sortformer emit a fixed number N of concurrent speaker slots. Above N speakers, they keep detecting speech but reuse slots across people, because N bounds how many speakers the model can express at once, not how many it will meet. The linker uses only the host's slot posteriors and the audio. It keeps the frames where one slot is active, splits each slot where the speaker changes, embeds each piece with an off-the-shelf speaker encoder, and matches it against a bank of speakers seen so far. It only relabels, so missed speech and false alarm are identical to the host's and every gain is a reduction in speaker confusion. On 1418 sessions from eight corpora, it reduces the 4-slot host's DER above its cap from 36.8% to 22.6%, and barely moves it below the cap. The same constants transfer to the host's 8-slot successor and to two streaming EEND hosts from a different model family. On courtroom hearings with up to 23 speakers it reduces cpWER from 82.7% to 24.4%.
• Abstract（参考訳）: 本稿では、凍結ストリーミングダイアリザが出力スロットよりも多くの話者を追跡できる因果無訓練リンカーを提案する。 Streaming Sortformerのようなエンドツーエンドのダイアリザは、同時話者スロットの固定番号Nを出力する。 なぜなら、Nはモデルがどれだけの数の話者を一度に表現できるかを制限し、何人の話者と出会うのかを制限しないからだ。 リンカはホストのスロット後部とオーディオのみを使用する。 1つのスロットがアクティブなフレームを保持し、スピーカーが変化するスロットを分割し、各パーツを既製のスピーカーエンコーダに埋め込んで、これまで見たスピーカーのバンクと照合する。 それはリラベルのみであり、音声と誤報はホストのものと同一であり、全ての利得は話者の混乱を減少させる。 8つのコーパスから1418のセッションで、4スロットのホストのDERを36.8%から22.6%に減らし、キャップの下に移す。 同じ定数はホストの8スロット後継と異なるモデルファミリから2つのストリーミングEENDホストに転送される。 最大23名の法廷公聴会では、cpWERを82.7%から24.4%に減らしている。

関連論文リスト

• Beyond Two Tracks: Speaker-Anchored Full-Duplex Dialogue Recovery [12.029635853887866]
  ジェネレーティブ・リカバリは通常の録音からルートを提供するが、2声のリカバリは十分である。 話者付きルーティングは、間違ったトラック時間を43.9%から4.1%に短縮する。 25分間の遠隔会話では、ルーティングは間違ったトラックタイムを43.9%から4.1%に短縮する。 同じルータが見えない顔と電話の録音に転送され、出力の20～36%を埋め込む間、マージンゲートの検証ステップでトラック時間が0.9～1.7%に短縮される。
  論文  参考訳（メタデータ） (2026-10-19T18:09:47Z)
• FASTDIAR: Frame-level speaker encoder for Streaming Diarization [4.8986598953553555]
  リアルタイムの会話エージェントは、CPU上でのストリームと実行を行う話者ダイアリゼーションを必要とする。 ほとんどのシステムは、短い重重なり合うチャンクに発話レベル話者エンコーダを適用し、計算を無駄にし、間違ったタスクに最適化されたモデルを残します。 代わりに、最先端の話者認識アーキテクチャを因果フレームレベルのエンコーダに変換し、ストリームを一度読み出し、過去のオーディオのバウンド2秒のウィンドウから80ミリ秒毎に埋め込み、1つの埋め込みを出力し、ストリームの自己相似性に関する更新をゲートするオンラインクラスタリングと組み合わせます。
  論文  参考訳（メタデータ） (2026-10-02T07:32:11Z)
• HEAR Who Said What: Unlocking Speaker-Attributed Reasoning via Counterfactual Voice Grounding [54.365959989048406]
  音声言語モデル(SLM)は、ますますマルチスピーカー環境にデプロイされている。 しかし、音声を正しい話者とみなし、話者の身元を判断する能力は、いまだに不明である。 本稿では,話者対応推論の基礎的能力を診断するベンチマークHEARを紹介する。 A2Rは、話者レベルのハードな負を持つ非現実的オーディオに最適化された30Bモデルである。
  論文  参考訳（メタデータ） (2026-08-29T08:01:20Z)
• In search of strong embedding extractors for speaker diarisation [49.7017388682077]
  話者ダイアリゼーションにEEを採用する際の2つの重要な問題に対処する。 まず、性能向上に必要な特徴が話者検証とダイアリゼーションに異なるため、評価は簡単ではない。 広く採用されている話者検証評価プロトコルの性能向上は、ダイアリゼーション性能の向上に繋がらないことを示す。 重なり合う音声や話者変化の入力を認識するために,2番目の問題を緩和する2つのデータ拡張手法を提案する。
  論文  参考訳（メタデータ） (2022-10-26T13:00:29Z)
• Streaming Speaker-Attributed ASR with Token-Level Speaker Embeddings [53.11450530896623]
  本稿では,「誰が何を話したか」を認識可能な,ストリーミング話者対応自動音声認識(SA-ASR)モデルを提案する。 本モデルは,最近提案されたマルチトーカー音声をストリーミング形式で書き起こすためのトークンレベルシリアライズアウトプットトレーニング(t-SOT)に基づいている。 提案モデルでは,従来のストリーミングモデルよりも精度が大幅に向上し,最先端のオフラインSA-ASRモデルに匹敵する,あるいは時として優れた結果が得られる。
  論文  参考訳（メタデータ） (2022-03-30T21:42:00Z)
• End-to-End Speaker-Attributed ASR with Transformer [41.7739129773237]
  本稿では,エンドツーエンド話者属性自動音声認識システムを提案する。 単調なマルチトーカー音声に対する話者カウント、音声認識、話者識別を共同で行う。
  論文  参考訳（メタデータ） (2021-04-05T19:54:15Z)
• Investigating on Incorporating Pretrained and Learnable Speaker Representations for Multi-Speaker Multi-Style Text-to-Speech [54.75722224061665]
  本研究では,異なる話者表現を調査し,事前学習可能な話者表現を統合することを提案する。 FastSpeech 2モデルと事前訓練された話者表現と学習可能な話者表現を組み合わせることで、少数の話者に対して大きな一般化能力を示す。
  論文  参考訳（メタデータ） (2021-03-06T10:14:33Z)
• End-to-End Speaker Diarization for an Unknown Number of Speakers with Encoder-Decoder Based Attractors [45.38809571153867]
  本稿では,エンコーダ・デコーダを用いたアトラクタ計算手法を提案する。 音声埋め込みシーケンスからフレキシブルな数のアトラクタを生成する。 生成された複数のアトラクタは、音声埋め込みシーケンスによって乗算され、同じ数の話者活動を生成する。
  論文  参考訳（メタデータ） (2020-05-20T09:08:41Z)
• Voice Separation with an Unknown Number of Multiple Speakers [113.91855071999298]
  本稿では,複数の音声が同時に発声する混合音声系列を分離する手法を提案する。 新たな手法では、複数の処理ステップで音声を分離するように訓練されたゲートニューラルネットワークを使用し、各出力チャネルに固定された話者を維持する。
  論文  参考訳（メタデータ） (2020-02-29T20:02:54Z)

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。