Многоэтапная диаризация дикторов в новостных передачах

В статье описываются последние достижения в области диаризации дикторов с использованием многоэтапной системы сегментации и кластеризации, включающей этап идентификации дикторов. Эта система основана на базовом модуле разбиения аудиосигнала, применяемом в системе транскрибирования новостных передач LIMSI. Базовый модуль обеспечивает высокую чистоту кластеров, однако имеет тенденцию разделять данные дикторов с большим объемом речевого материала на несколько кластеров сегментов. В базовую систему был внесен ряд улучшений. Во-первых, итеративная кластеризация с использованием моделей гауссовых смесей (GMM) была заменена агломеративной кластеризацией по байесовскому информационному критерию (BIC). Во-вторых, был добавлен дополнительный этап кластеризации с использованием метода идентификации дикторов на основе GMM. Наконец, на этапе постобработки границы сегментов уточняются с использованием выходных данных системы транскрибирования. На данных оценочных кампаний Национального института стандартов и технологий (NIST) RT-04F и ESTER многоэтапная система снижает ошибку распознавания дикторов более чем на 70% по сравнению с базовой системой и обеспечивает ее снижение на 40–50% по сравнению с одноэтапной системой кластеризации по BIC.