arXiv eess.AS· Yushi Wang, Zeyan Song, Xiaobin Rong, Chengwei Liu, Jun Gao, Jing Lu·· 2 天前评分29
面向 SLT2026 SmartGlasses Challenge 的前端辅助大型音频语言模型
Frontend-Assisted Large Audio-Language Models for SLT2026 SmartGlasses Challenge
导读
针对 SmartGlasses Challenge 赛道一的时间戳说话人归属 ASR 任务，参赛系统采用多模态大语言模型 SoulX-Transcriber，直接输入全长音频并生成结构化转写。为应对双人对话中的重叠语音、背景噪声和远场条件，引入基于规则的引导式源分离与数据驱动语音分离两种前端处理，均在验证集上带来提升。考虑推理稳定性，最终提交使用微调后的 SoulX-Transcriber，测试集 tcpCER 为 6.22。
来源：arXiv eess.AS · arxiv.org