Hacker News· siddsax·· 6 天前AI 评分22
跨对话的"谁说了什么"：ThyVoice 用 SI-cpWER 评测持久说话人归属
Solving "who said what" across conversations (IEEE SLT 2026)
AI 导读
研究提出 SI-cpWER 指标，在全局说话人 ID 分配下评测跨会议持久说话人归属，覆盖 5 个商业 diarize-then-identify 级联、2 个开放学术基线和 ThyVoice，测试集为 CHiME-8 NOTSOFAR 全部 129 场会议（干净与加噪）及 CHiME-6。
正文 · AI 翻译
摘要：用作长期记忆的语音转录必须同时保留词语和稳定的说话人身份。现有的会议转录指标要么忽略说话人，要么在每次录音中独立地重新映射匿名说话人，因此无法衡量同一个人是否在多次会议中保持同一身份。我们使用 Speaker Identified cpWER（SI-cpWER）评估持久说话人归属，该方法在单一全局说话人 ID 分配下对语料库进行评分。该基准涵盖五个商业化的先分离后识别级联系统、两个开放学术基线，以及 ThyVoice 在完整的 129 场会议 CHiME-8 NOTSOFAR 评估集（干净和噪声增强形式）上的表现，外加 CHiME-6。ThyVoice 是我们的端到端参考系统；它修复重叠并门控用于创建和更新声纹的证据。要求持久身份改变了商业排名：ThyVoice 在所有三种条件下记录的 SI-cpWER 均低于每个被评估的商业级联系统，并在完整面板中取得最低均值，为 47.13，而下一个系统为 54.75。互补的词汇、说话人分离、逐录音归属和说话人聚类诊断刻画了最终归属记录中的上游错误面。这些结果说明了为什么必须在跨时间复用对话的系统中直接评估持久归属。
| 评论： | 简短版本已被 IEEE SLT 2026 接收，Demo Track |
| 主题： | 声音 (cs.SD)；人工智能 (cs.AI) |
| 引用为： | arXiv:2609.39344 [cs.SD] |
| （或 arXiv:2609.39344v1 [cs.SD] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2609.39344 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Siddhartha Saxena [查看电子邮件]
[v1]
2026年9月30日星期三 09:09:17 UTC（117 KB）
来源：Hacker News · arxiv.org