面向端到端神经与聚类基准的 VBx 说话人重叠检测
音频与语音处理
2025-10-23 v1
摘要
我们改进了基于向量聚类的端到端神经说话人重叠检测 (EEND-VC) 框架中的说话人重叠检测。第一阶段采用基于 Conformer 的 EEND 模型和 WavLM 特征，在短时间窗口内推断说话人活动。随后通过聚类跨窗口的说话人嵌入来推导全球说话人的身份和数量。本工作的重点是改进第二阶段；我们过滤来自短片段的不可靠嵌入，并在聚类后重新分配它们。我们还将 VBx 聚类集成以提高大量说话人且个体说话时长有限时的鲁棒性。在跨多个领域的复合基准上进行评估时，不对 EEND 模型进行微调，也不针对每个数据集调优聚类参数。尽管如此，该系统仍能良好地泛化，并在性能上达到或超过最近的 SOTA 水平。
引用
@article{arxiv.2510.19572,
title = {VBx for End-to-End Neural and Clustering-based Diarization},
author = {Petr Pálka and Jiangyu Han and Marc Delcroix and Naohiro Tawara and Lukáš Burget},
journal= {arXiv preprint arXiv:2510.19572},
year = {2025}
}
备注
Submitted to ICASSP 2026