传音面向 MLC-SLM 2026 挑战赛的说话人多语言 ASR 系统

本文介绍了 Transsion Speech 团队向 MLC-SLM 2026 挑战赛任务 1 提交的内容，该任务重点关注多语言会话语音的说话者归因转录。我们提出了一个由三个组件组成的级联框架：说话人分类模块、长格式多语言 ASR 模块和说话人转录融合模块。二值化模块基于 DiariZen 构建，通过本地说话人活动估计和全局说话人聚类生成说话人同质片段。 ASR 模块基于 Qwen3-Omni 并生成多语言转录，而基于外部 CTC 的对齐模型提供精确的单词和字符级时间戳。最后，融合模块将二值化输出与带时间戳的转录相结合，生成说话人属性的 STM 输出。官方评估集上的实验结果证明了所提出框架的有效性。提交的系统达到了 15.41% 的 tcpMER，在所有参赛团队中排名第二。