说话人分离标注

共收录 14 篇 chime-2026 会议论文的 Reader 深度解读

该演示针对精神科访谈中非正式韵律观察不可复现的问题，给出从录音到说话人分段、转写、音节定位再到时间韵律指标与人工核对的端到端流程，并以一段含 2 人 3 轮的示例说明可视化核对方法，代价是仍需人工复核且未报告定量精度与临床阈值。

论文追问句级语音语义向量是否还残留可用的说话人信息，用与各自对齐几何一致的音频减文本残差做无监督聚类检验，并用冻结编码器的说话人分割层权重与帧级注意力分布定位信息位置，最强证据是按句聚类准确率仍高达 0 点 96 以上而按说话人聚类接近随机，代价是该结论只在朗读平行语料与特定分割流程下成立。

该研究把原来只给朗读打一个总分的可懂度模型改造为按轮次打分的时间序列方法，在 13 例舌切除患者的半结构化临床对话上检验临床医生说话是否影响患者下一轮可懂度，最强证据是 7 例中存在显著关联且 PMB01 约 40% 变化可被解释，代价是 10 秒窗导致的时间粒度粗糙且个体差异极大。

针对远场多通道会议中混响噪声与重叠语音的日志难题，该工作把神经 FCASA 的高斯源方差模型推广为瘦峰广义高斯与学生 t 分布的重尾模型并统一为高斯尺度混合训练目标，在 AMI、AliMeeting 和 CHiME-6 上报告了日志错误率与 Jaccard 错误率下降，但部分形状参数会退化且跨语料直接迁移仍明显变差。

针对 360 度远场多说话人重叠对话的音视频识别与说话人归属问题，AUVIS 在官方基线五阶段流水线上保留基线检测与跟踪、只做切分与聚类参数解耦和网格优化，用开发集上聚类 F1 到 0.906 的 14.8% 相对提升带动联合误差 17.09% 相对下降，而识别字错误率仅相对下降 0.9% 到 0.4943。

针对影视长视频、多说话人和音画不同步问题，CineSRD 先用视觉锚点聚类注册说话人再用音频语言模型做轮次检测与幕后补充，在 SubtitleSD 上报告更低的 DER 与 JER，代价是多阶段集成而非端到端且依赖人脸与字幕时间轴。

共收录 103 篇 cvpr-2026 会议论文的 Reader 深度解读

共收录 147 篇 aaai-2026 会议论文的 Reader 深度解读

共收录 199 篇 acl-2026 会议论文的 Reader 深度解读

针对两说话人 Hindi-English 医疗对话的说话人日志任务，论文比较 Diaper、Pyannote 3.1 与 DiariZen 并做域自适应，最强证据是解冻 WavLM 的 DiariZen-large 在 dev2 上达 8.57% DER、六系统融合后达 8.48% DER，代价是半监督策略高度依赖模型且融合增加系统复杂度。

针对聚类式说话人日志把多人同时说话和背景语音误并入单说话人簇的问题，论文用多说话人态与背景态增广 HMM 状态空间并引入外部说话人切换点约束，在 DoPaCo 无重叠上相对基线降低约 55% 说话人错误率，代价是默认非重叠输出在重叠区漏检较高，需外接重叠检测才可做重叠感知输出。

针对短停顿标注松紧不一致会抬高日志误差率并掩盖真实模型误差的问题，论文保留标准 DER 不变并将其精确拆分为停顿归因部分与残余核心部分，最强证据是合成变换只把填充归为停顿而插入与移位仍留在核心，代价是核心误差不能单独优化且跨不同松紧参考不可直接比较。

针对 SRE24 音频验证中固定训练缺阿拉伯语与法语、短语音与多说话人测试变难的问题，I4U 用 Multi2dCoTNet 多嵌入约束、NPSVM 分类器、自适应归一化与 Mixed-Norm 虚拟说话人给出官方五系统方案，并用 Multi2dCoTNet 加 XLSR-CAMHFA 的两系统精简方案在更低算力下达到相近精度，但短时长与声源失配仍是主要误差 …

共收录 52 篇 odyssey-2026 会议论文的 Reader 深度解读

该文以 WavLM 为骨干研究说话人日志，报告加权多层目标、10k 小时数据规模、Large 容量与 Conformer 切块调优带来可复现的 DER 下降，但 100k 小时与剪枝收益趋平且标注噪声限制可测改进。

针对多人重叠会议中内容、说话人与时间边界相互纠缠的问题，TagSpeech 用解耦的语义与说话人双流加交错数字时间锚统一解码，在 AMI 与 AliMeeting 上以只训练投影层的低成本取得 diarization 误差的明显下降，但重叠区外的时间边界精度仍不及专用级联系统。

针对多人对话中谁在何时说话与内容难以联合对齐的问题，TellWhisper 在语音编码器内用时间说话人旋转位置编码联合建模时间与说话人活动，并用双曲空间说话人日志估计帧级活动，在真实会议数据上取得内容加说话人加时间的一致改进，但支持说话人数限于 1 至 4 人且编码器与双曲分类器仍处在不同几何空间。

CSPB 针对噪声混响与重叠语音的真实多人对话，用冻结上游加轻量下游的统一协议在四套数据上考识别日志与增强分离，报告显示多样数据加增强预训练的模型更稳健而波束形成与原生多通道带来一致增益，代价是原生多通道预训练数据远少且基准仍以编码器结构为主。

共收录 36 篇 eacl-2026 会议论文的 Reader 深度解读