我们真的能够将多说话人 ASR 语料库用于说话人分割吗？

神经说话人分割在重叠说话人分割中被广泛应用，但需要大量多说话人数据进行训练。为满足这一数据需求，常通过组合多个语料库来构建大型数据集，包括最初为多说话人自动语音识别（ASR）设计的语料库。然而，ASR 数据集常常具有松散定义的段落边界，这些边界不符合说话人分割基准测试的更严格惯例。本文展示了这种边界松散性质如何显著影响说话人分割错误率，从而降低评估可靠性。我们还揭示，训练数据边界精度不同的模型会学习数据特定的松散性，导致其在跨域数据集上的泛化能力差。通过强制对齐实现标准化紧致边界的训练，不仅能提升说话人分割性能（尤其是流式场景），在简单后处理的条件下还能提升 ASR 性能。