Speaker-Reasoner：将多说话人语音转录从“序列解码”升级为“多轮时序推理”
在会议和电话等真实的多说话人对话场景中，全面的对话理解不仅需要准确的语音识别（ASR），还要求模型能够联合处理说话人属性、细粒度的时间戳定位以及文本转写。然而，语音重叠、频繁的附和（backchannels）以及快速的语权交替等复杂声学现象…
35 0 0
声浪
在会议和电话等真实的多说话人对话场景中，全面的对话理解不仅需要准确的语音识别（ASR），还要求模型能够联合处理说话人属性、细粒度的时间戳定位以及文本转写。然而，语音重叠、频繁的附和（backchannels）以及快速的语权交替等复杂声学现象…