会议转写不再只看谁在说话：结构化说话人条件让重叠语音下的目标识别更稳
会议转写需要按指定说话人输出文字，但此前的四状态活动条件会把不同的干扰人数和交接历史压成同一个目标条件。结构化说话人条件把每条说话人活动轨迹先单独编码，再与整场会议得到的声学身份结合，并用条件相关的低秩跨通道调制控制声学编码器。在 Qwen3-ASR-0.6B 与 oracle 分离结果上，完整方法用 1.46M 条件参数，在四个会议测试集上相对四状态对角条件取得 6.23% 的平均相对 cpER 下降。
多说话人转写不再逐人独立解码：Pandemonium让说话人互相看见，会议基准平均错误率降到14.7
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。
已读完全部报道