Transsion发布面向多语言对话的说话人归因ASR系统，MLC-SLM 2026挑战赛排名第二

摘要：Transsion语音团队在MLC-SLM 2026挑战赛任务1中提交了一种创新的说话人归因多语言自动语音识别（ASR）系统。该系统采用级联框架，包括说话人分离模块、长篇多语言ASR模块和说话人-转录融合模块。实验结果显示，该系统在官方评估集上的tcp归一化最小错误率（tcpMER）达到15.41%，在所有参赛队伍中排名第二，展示了其在多语言对话场景下的高效性和准确性。

---

技术亮点解析

1. 级联框架设计：该系统采用三级级联架构，包括说话人分离模块、长篇多语言ASR模块和说话人-转录融合模块。

   • 说话人分离模块：基于DiariZen，通过局部说话人活动估计和全局说话人聚类生成说话人同质片段。
   • 长篇多语言ASR模块：基于Qwen3-Omni模型，能够生成多语言转录文本。
   • 说话人-转录融合模块：结合说话人分离输出和带有时间戳的转录文本，生成说话人归因的STM输出。

2. 高精度时间戳对齐：系统使用基于CTC的外部对齐模型，提供精确的词级和字符级时间戳，确保转录文本与说话人信息的准确匹配。

3. 多语言支持：该系统能够处理多语言对话场景，展示了其在跨语言应用中的潜力。

行业影响与开发者建议

• 行业影响：该系统的发布标志着多语言ASR技术在说话人归因领域的重大进展，尤其适用于多语言会议记录、跨文化对话分析等场景。
• 开发者建议：对于开发多语言ASR系统的团队，可以借鉴该系统的级联框架设计，并关注说话人分离和转录融合的协同优化。此外，开发者可以探索将类似技术应用于其他需要说话人归因的领域，如智能客服和语音助手。

结论

Transsion的这项研究展示了在多语言对话场景下实现高效说话人归因ASR的可行性，并为未来的技术发展提供了新的方向。

---

消息来源：ArXiv NLP/LLM (cs.CL) (2026-09-21)

—— 完 ——

主题标签： #Transsion #ASR #多语言处理 #说话人分离 #智能语音