遠距對話語音識別的最新趨勢：CHiME-7和8 DASR挑戰綜述
音频与语音处理
2025-11-04 v2 计算与语言
声音
摘要
CHiME-7和8遠距語音識別（DASR）挑戰聚焦於多通道、通用性的聯合自動語音識別（ASR）和話者分割。這些挑戰吸引了9個團隊提交32個多樣化系統，為該領域的SOTA研究作出了貢獻。本文概述了挑戰的設計、評估指標、數據集和基線系統，同時分析了參與者提交方案的關鍵趨勢。從分析中可見：1)大多數參與者使用端到端（e2e）ASR系統，而混合系統在以前的CHiME挑戰中較為普遍。這一轉變主要是因為強大的大規模預訓練模型的可用性，降低了e2e-ASR的數據負擔。2)儘管近期在神經語音分離和增強（SSE）方面取得了進步，但所有團隊仍依賴引導式源分離，表明當前的神經SSE技術仍無法可靠地處理複雜情況和不同的錄音環境。3)所有最佳系統都採用通過目標話者分割技術的話者分割細化。對於CHiME-8 DASR參與者特別關注此部分，因為第一輪話者計數的準確性至關重要，以避免累積誤差。4)通過會議摘要的下游評估與轌寫質量呈現弱相關，因為大型語言模型在處理錯誤方面效果顯著。即使是在NOTSOFAR-1情景上，即使系統的時間受限最小排列字錯率超過50%，仍可與最有效的系統（約為11%）在性能上相當。5)儘管近期進步，準確地在挑戰性聲學環境中轌寫自發語言仍然困難，即使使用計算密集型系統集。
引用
@article{arxiv.2507.18161,
title = {Recent Trends in Distant Conversational Speech Recognition: A Review of CHiME-7 and 8 DASR Challenges},
author = {Samuele Cornell and Christoph Boeddeker and Taejin Park and He Huang and Desh Raj and Matthew Wiesner and Yoshiki Masuyama and Xuankai Chang and Zhong-Qiu Wang and Stefano Squartini and Paola Garcia and Shinji Watanabe},
journal= {arXiv preprint arXiv:2507.18161},
year = {2025}
}