TCG CREST 系统描述：面向 DISPLACE-M 挑战的语音端点检测
音频与语音处理
2026-03-11 v4 机器学习
摘要
本报告介绍了 TCG CREST 系统描述，用于 DISPLACE-M 挑战 Track 1（说话人分割）的系统，聚焦于噪声环境下农村医疗场景中自然的医疗对话。我们的研究评估了各种语音活动检测（VAD）方法和先进的聚类算法对整体说话人分割（SD）性能的影响。我们比较和分析了两个 SD 框架：一个模块化管道利用 SpeechBrain 采用 ECAPA-TDNN 嵌入，以及建立在预训练 WavLM 之上的最先进（SOTA）混合端到端神经分割系统 Diarizen。通过这些框架，我们探索了多种聚类技术，包括层次聚类（AHC），以及多个新型的谱聚类变体，如 SC-adapt、SC-PNA 和 SC-MK。实验结果表明，Diarizen 系统在 Phase I 的后评估分析中相对于 SpeechBrain 基线实现了约 39% 的相对分割错误率（DER）改进。我们的最佳提交系统采用 Diarizen 基线搭配 AHC，采用中值滤波并扩大上下文窗口至 29，以在开发集上实现 10.37% 的 DER，在评估集上实现 9.21% 的 DER。我们团队在 Phase I 评估后以 11 支队伍中的第 5 名的成绩夺得榜首。
引用
@article{arxiv.2603.02030,
title = {TCG CREST System Description for the DISPLACE-M Challenge},
author = {Nikhil Raghav and Md Sahidullah},
journal= {arXiv preprint arXiv:2603.02030},
year = {2026}
}
备注
Report submitted for the DISPLACE-M challenge