使用视觉-语言模型转录和识别意大利议会演讲
数字图书馆
2026-05-21 v2 人工智能
信息检索
摘要
议会记录是计算分析的丰富但具有挑战性的资源，特别是当仅以扫描的历史文档形式保存时。现有的意大利议会演讲转录工作依赖于传统的光学字符识别流程，导致转录错误和有限的语义标注。在本文中，我们提出了一种基于视觉-语言模型的流程，用于意大利议会演讲的自动转录、语义分割和实体链接。该流程采用专门的OCR模型提取文本并保持阅读顺序，随后由大规模视觉-语言模型通过联合推理视觉布局和文本内容来执行转录细化、元素分类和说话人识别。提取的说话人随后通过SPARQL查询和多策略模糊匹配程序链接到众议院知识库。对既定基准的评估表明，在转录质量和说话人标记方面都有显著改进。
引用
@article{arxiv.2603.28103,
title = {Transcription and Recognition of Italian Parliamentary Speeches Using Vision-Language Models},
author = {Luigi Curini and Alfio Ferrara and Giovanni Pagano and Sergio Picascia},
journal= {arXiv preprint arXiv:2603.28103},
year = {2026}
}
备注
to be published in: ParlaCLARIN V: Interoperability, Multilinguality, and Multimodality in Parliamentary Corpora, organized within the 15th Language Resource and Evaluation Conference (2026)