HINTT 提交 MLC-SLM 挑战赛级联系统
热点事件持续更新
HINTT 提交 MLC-SLM 挑战赛级联系统
1 篇报道1 个报道来源5 小时前更新
先了解这件事
AI 综述
HINTT 团队（Takanori Ashihara 等）提交并发布第二届 MLC-SLM 挑战赛系统论文，参赛任务为多语言说话人归因 ASR，最终提交方案采用级联流程：微调后的 DiariZen 说话人分离模型、微调后的 Qwen3-ASR 模型，以及基于 LLM 的生成式纠错。 团队称，与在同等官方数据上微调的 VibeVoice-ASR 统一模型相比，级联系统在 Task 1 条件下更可靠。 论文说明，所有任务相关的微调与模型选择仅使用官方 MLC-SLM 数据，未使用外部数据或伪标签。
AI 根据报道生成 · 1 小时前更新
最新进展10月7日 12:00
HINTT 提交第二届 MLC-SLM 挑战赛：级联与统一方法在说话人分离与 ASR 上的对比报道时间线
沿着报道，了解事件的不同侧面。
10月7日
- arXiv：cs.CLHINTT 提交第二届 MLC-SLM 挑战赛：级联与统一方法在说话人分离与 ASR 上的对比
HINTT 团队提交第二届 MLC-SLM 挑战赛的系统，针对多语言说话人归因 ASR，最终选用级联方案，由微调后的 DiariZen 分离模型、微调后的 Qwen3-ASR 和基于 LLM 的生成式纠错组成。对比实验中，同等官方数据微调的 VibeVoice-ASR 统一模型显示级联系统在 Task 1 条件下更可靠。全部微调与模型选择仅用官方 MLC-SLM 数据，未使用外部数据或伪标签。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。