Brno University of Technology

面向多说话人会议转写的目标说话人识别此前按说话人逐个独立解码，且被限制在30秒窗口内。Pandemonium把说话人条件接入可整场解码的Parakeet长音频骨干，并加入跨说话人注意力与掩码修正模块，让同一场对话中的说话人表示在编码器内互相可见。在合成、伪标注与真实数据上训练后，该系统在多个会议基准上取得最优结果，并在预测说话人日志条件下平均cpWER为19.2。

面向多说话人会议转写的目标说话人识别此前按说话人逐个独立解码，且被限制在30秒窗口内。Pandemonium把说话人条件接入可整场解码的Parakeet长音频骨干，并加入跨说话人注意力与掩码修正模块，让同一场对话中的说话人表示在编码器内互相可见。在合成、伪标注与真实数据上训练后，该系统在多个会议基准上取得最优结果，并在预测说话人日志条件下平均cpWER为19.2。