arXiv cs.AI· Aditya Srinivas Menon, Kumarmanas Nethil, Kavya Manohar·· 11 小时前AI 评分27
无需训练即可让冻结流式说话人日志模型追踪更多说话人：Slots Are Not Speakers 提出 Speaker Linking 方法
Slots Are Not Speakers: Training-Free Speaker Linking for Frozen Streaming Diarizers
AI 导读
一种因果、免训练的链接器让冻结的流式说话人日志模型突破输出槽位上限，追踪更多说话人。它仅利用宿主模型的槽位后验与音频，在单槽活跃帧上按说话人变化切分、用现成说话人编码器嵌入并与已见说话人库匹配，只做重新标注，因此漏检与误报与宿主一致。
正文 · AI 翻译
摘要：本文提出了一种因果、免训练的连接器，使冻结的流式说话人日志模型能够跟踪比其输出槽位更多的说话人。诸如 Streaming Sortformer 之类的流式端到端说话人日志模型会输出固定数量 N 个并发说话人槽位。当说话人超过 N 个时，它们仍会检测到语音，但会在不同人之间复用槽位，因为 N 限制了模型一次能表达多少说话人，而不是它会遇到多少说话人。该连接器仅使用宿主模型的槽位后验和音频。它保留单个槽位处于活动状态的帧，在每个槽位中说话人发生变化处进行切分，用现成的说话人编码器对每个片段进行嵌入，并将其与迄今见过的说话人库进行匹配。它只进行重新标注，因此漏检语音和误报与宿主模型完全相同，所有增益都体现为说话人混淆的减少。在来自八个语料库的 1418 个会话上，它将 4 槽位宿主模型在其上限以上的 DER 从 36.8% 降至 22.6%，而在上限以下几乎不变。相同的常数可迁移到宿主模型的 8 槽位后继版本，以及来自不同模型家族的两个流式 EEND 宿主模型。在最多 23 个说话人的法庭听证会上，它将 cpWER 从 82.7% 降至 24.4%。
| 评论： | 提交至 ICASSP 2027 |
| 主题： | 声音 (cs.SD)；人工智能 (cs.AI) |
| 引用为： | arXiv:2610.28053 [cs.SD] |
| （或 arXiv:2610.28053v1 [cs.SD] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.28053 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Aditya Srinivas Menon [查看电子邮件]
[v1]
2026年10月20日星期二 11:40:02 UTC（78 KB）
来源：arXiv cs.AI · arxiv.org