FASTDIAR：帧级流式说话人分离系统

Nikita Torgashov 等作者提交论文预印本，提出 FASTDIAR：把当前最先进的说话人识别架构改造成因果帧级编码器，只读取音频流一次，基于过去两秒的窗口每 80 毫秒输出一个嵌入向量，并配合在线聚类，每次更新以流的自相似性为门控条件。 作者称，该系统仅通过 utterance 级教师模型在模拟和域外混合数据上蒸馏训练，并以一组固定超参数评估；在低重叠基准上以亚秒级延迟成为最准确的流式说话人分离器，说话人数量增长时性能退化远小于基于缓存的系统，在单 CPU 线程上运行速度达实时的 5 倍。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。