Система диаризации говорящих Microsoft для соревнования VoxCeleb Speaker Recognition Challenge 2020

В статье описывается система диаризации говорящих компании Microsoft для монофонических многоговорящих записей, полученных в естественных условиях и оцененных в рамках трека диаризации соревнования VoxCeleb Speaker Recognition Challenge 2020 (VoxSRC). Сначала объясняется архитектура системы, предназначенной для решения задач обработки реальных записей с несколькими говорящими. Затем представлены компоненты системы, включая экстрактор эмбеддингов говорящих на основе Res2Net, непрерывное разделение речи на основе conformer с фильтрацией утечек и модифицированный метод DOVER (Diarization Output Voting Error Reduction — уменьшение ошибки голосования выходных данных диаризации) для объединения систем. Оценка систем проводилась на наборе данных, предоставленном соревнованием VoxSRC 2020 и содержащем реальные многоговорящие аудиозаписи, собранные с YouTube. Лучшая система продемонстрировала коэффициент ошибки диаризации (DER) 3,71% на наборе разработки и 6,23% на оценочном наборе, заняв первое место в треке диаризации соревнования.