PP-MeT：一种基于真实世界个性化提示的会议转录系统
音频与语音处理
2023-09-29 v1 声音
摘要
说话人归属的自动语音识别（SA-ASR）通过将说话人标签分配给转写文本，提高了多说话人 ASR 系统在真实场景中的准确性和适用性。然而，由于说话人重叠、说话人差异、背景噪声和混响等因素，SA-ASR 带来了独特的挑战。在本研究中，我们提出了 PP-MeT 系统，一种基于真实世界个性化提示的会议转录系统，它由聚类系统、目标说话人语音活动检测（TS-VAD）和 TS-ASR 组成。具体而言，我们在所提系统的 TS-VAD 和 TS-ASR 模块中利用目标说话人嵌入作为提示。与先前系统相比，我们充分利用预训练模型进行系统初始化，从而赋予我们的方法更高的泛化性和精度。在 M2MeT2.0 挑战赛数据集上的实验表明，我们的系统在测试集上取得了 11.27% 的 cp-CER，在固定和开放训练条件下均排名第一。
引用
@article{arxiv.2309.16247,
title = {PP-MeT: a Real-world Personalized Prompt based Meeting Transcription System},
author = {Xiang Lyu and Yuhang Cao and Qing Wang and Jingjing Yin and Yuguang Yang and Pengpeng Zou and Yanni Hu and Heng Lu},
journal= {arXiv preprint arXiv:2309.16247},
year = {2023}
}