Pandemium:具有跨说话者交互的长格式目标说话者语音识别
原文:Pandemonium: Longform Target-Speaker Speech Recognition with Cross-Speaker Interactions
Diarization 条件目标说话者 ASR (TS-ASR),特别是 Diarization 条件 Whisper (DiCoW),是一种准确且数据高效的多说话者转录方法。然而,它具有三个结构限制:该模型独立转录每个说话者,在短(30 秒)窗口上运行,并分别优化其二值化和 TS-ASR 组件。我们解决第一个问题
正在把原文抓到本机服务器…首次约 3~8 秒,抓好后本站永久缓存,下次秒开。
抓不到时可直接看原文(部分站点需要登录/反爬,服务器也无法抓取)。
正文由本站服务器抓取保存(已自动过滤广告、推荐位与追踪图片),排版与原站可能不同;版权归原站所有。