合成对话数据如何影响多人语音识别与说话人分离

多说话人语音识别（MT-ASR）与说话人分离（SD）使用合成数据缓解真实大规模对话录音不足，但具体模拟策略的影响尚不清楚。研究提出高效开源模拟器 FastMSS，对 DiCoW 语音识别与 Sortformer 说话人分离系统比较轮流发言动态、源数据域、声学增强和数据混合策略。最优方案高度依赖任务：增加重叠语音改善 ASR，却降低说话人分离表现；广泛的源数据多样性持续优于严格领域匹配。仅合成训练接近真实数据基线，将合成与真实录音结合，则在两项任务中均显著优于仅真实数据训练。