NTT 面向 CHiME-7 的说话人日志系统：多域多麦克风端到端与向量聚类日志
音频与语音处理
2023-09-25 v1 声音
摘要
本文详述了我们为多云多麦克风随意对话设计的说话人日志系统。所提出的日志流程使用基于加权预测误差（WPE）的去混响作为前端，然后对每个通道分别应用带向量聚类的端到端神经日志（EEND-VC）。它利用日志输出投票误差缩减加重叠（DOVER-LAP）整合从各通道获得的日志结果。为利用来自目标域的知识与跨所有通道整合的结果，我们通过用源自 DOVER-LAP 的伪标签重训 EEND-VC，对每个会话进行自监督适配。所提系统被纳入 NTT 为 CHiME-7 挑战赛远距离自动语音识别任务提交的方案中。相较组织者提供的基于 VC 的基线日志系统，我们的系统在开发集与评测集上分别取得 65% 与 62% 的相对提升，在日志性能上稳居第三。
引用
@article{arxiv.2309.12656,
title = {NTT speaker diarization system for CHiME-7: multi-domain, multi-microphone End-to-end and vector clustering diarization},
author = {Naohiro Tawara and Marc Delcroix and Atsushi Ando and Atsunori Ogawa},
journal= {arXiv preprint arXiv:2309.12656},
year = {2023}
}
备注
5 pages, 5 figures, Submitted to ICASSP 2024