传音多语言ASR系统挑战赛拿下第二，tcpMER仅15.41%！
Transsion's Speaker-Attributed Multilingual ASR System for the MLC-SLM 2026 Challenge
📖 AI 总结
传音语音团队针对MLC-SLM 2026挑战赛任务一（多语种对话语音的说话人归属转写）提交了一套级联式系统，由说话人日志、长音频多语种ASR和说话人-转写融合三个模块组成。其中日志模块基于DiariZen，通过局部说话人活动估计与全局聚类生成说话人同质分段；ASR模块基于Qwen3-Omni生成多语种转写，并借助外部CTC对齐模型提供精确的词级与字符级时间戳；融合模块将日志输出与带时间戳的转写结合，生成说话人归属的STM结果。在官方评测集上，该系统取得15.41%的tcpMER，在全部参赛队伍中排名第二，验证了该级联框架在多语种对话场景下的有效性。
🔑 关键词速览
| 说话人日志（Speaker Diarization） | 识别音频中“谁在什么时候说话”的技术，将语音按说话人分割并聚类。 |
| 多语言 ASR（Multilingual ASR） | 能够识别并转写多种语言的自动语音识别系统。 |
| Qwen3-Omni | 一种支持文本、音频等多模态输入输出的大规模语言模型，此处用作多语言语音识别骨干。 |
| CTC 对齐（CTC-based Alignment） | 基于连接时序分类（CTC）的方法，用于将语音帧与文本 token 对齐，从而获得精确时间戳。 |
| tcpMER | MLC-SLM 挑战赛中用于评估说话人归属转写质量的综合错误率指标，数值越低表示性能越好。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅