突破端到端说话人分离的极限
Pushing the Limits of End-to-End Diarization
AI总结：
本文利用统一的非自回归模型 EEND-TA，并通过 8 说话人仿真混合规模化预训练，在多个公开数据集上取得最优 DER，尤其在 DIHARD III 上达到 14.49%，证明 EEND 架构具有更强学习能力且推理高效。
摘要：
本文在多个公开数据集上展示了当前最优的说话人分离错误率（DER），包括 AliMeeting-far、AliMeeting-near、AMI-Mix、AMI-SDM、DIHARD III 和 MagicData RAMC。借助 EEND-TA——一种用于端到端说话人分离的单一统一非自回归模型——我们取得了新的基准结果，最显著的是在 DIHARD III 上实现了 14.49% 的 DER。我们的方法通过 8 说话人仿真混合进行规模化预训练，确保每个生成的说话人混合配置都得到充分表示。这些实验表明，基于 EEND 的架构具有比以往探索更强的学习能力，超越了众多现有说话人分离方案，同时在推理过程中保持高效速度。
英文摘要：
In this paper, we present state-of-the-art diarization error rates (DERs) on multiple publicly available datasets, including AliMeeting-far, AliMeeting-near, AMI-Mix, AMI-SDM, DIHARD III, and MagicData RAMC. Leveraging EEND-TA, a single unified non-autoregressive model for end-to-end speaker diarization, we achieve new benchmark results, most notably a DER of 14.49% on DIHARD III. Our approach scales pretraining through 8-speaker simulation mixtures, ensuring each generated speaker mixture configuration is sufficiently represented. These experiments highlight that EEND-based architectures possess a greater capacity for learning than previously explored, surpassing many existing diarization solutions while maintaining efficient speeds during inference.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
