以非自回归语言模型为转录文本添加词级时间戳和说话人归属

时间戳和说话者归因是语音识别的有用补充，可创建富文本记录。该信息可以在转录过程中提取或与给定的转录本对齐。在本文中，我们提出了使用基于 LLM 的非自回归架构将时间戳和说话者信息添加到给定转录本的模型。与由类似组件构建的自回归模型相比，这些模型更准确，并且注释给定转录本的速度快一到两个数量级。与其他模型相比，我们的模型实现了最先进的时间戳精度和说话者归因的最佳 cpWER。