speaker-attribution

微软发布VibeVoice-ASR-Streaming，这是一款统一的流式自动语音识别模型，能够转录说话人身份，并支持自定义热词和10种语言。

本文介绍了 HEAR，一个用于评估语音语言模型中说话人归属推理的基准测试，并提出了 A2R，一个使用反事实数据优化的 30B 模型，以提升在多说话人任务上的性能。

本文分析了针对CHiME-9 MCoRec鸡尾酒会场景的多模态系统，比较了音视频目标语音分离、改进的识别、基于大语言模型的对话分组等设计策略，发现仅语音重叠并不能解释性能差异。