说话人识别相关 AI 资讯 · AI 热点

7月19日

16:07

16:07

宝玉@dotey

精选

宝玉将 OpenMOSS 开源的 MOSS-Transcribe-Diarize-0.9B 集成到剪映工具 BaoCut 中，可直接输出带精确时间戳和说话人标注的结构化转写结果。该模型无需专用发言人识别模型，但转录速度比 Qwen3-ASR-0.6B 慢，且不支持标点符号，自定义 Prompt 与热词也未生效。项目地址为 github.com/OpenMOSS/MOSS-Transcribe-Diarize。

AI模型 BaoCut OpenMOSS MOSS-Transcribe-Diarize-0.9B

推荐理由：宝玉给 BaoCut 集成了 MOSS-Transcribe-Diarize-0.9B，能一次搞定长音频转写和说话人标注，省去额外模型，适合做字幕或会议记录。

7月3日

11:49

11:49

官方账号arXiv cs.AI@Yuxuan Li, Lingxi Xie, Xinyue Huo, Jihao Qiu, Jiacheng Shao, Pengfei Chen, Jiannan Ge, Kaiwen Duan, Qi Tian

研究者发布了DramaSR-532K基准，包含53.2万条带注释对话和900多个角色，需整合听觉、语言和视觉线索。他们提出DramaSR-LRM方法，基于大型推理模型(LRM)，通过多模态工具自主聚合上下文证据。在短话语上，DramaSR-LRM显著优于现有基线，因为声学生物特征在这些场景中不可靠。数据和代码将公开。

论文 DramaSR-532K DramaSR-LRM 推理模型

推荐理由：一篇论文用推理模型做说话人识别，还建了个53万条对话的新基准，短话识别效果比现有方法强不少。

6月30日

11:51

11:51

官方账号arXiv cs.LG@Chuxiao Zuo, Yao Zhu, Minqiang Xu, Manhong Wang, Yunke Zhang, Fei Huang

提出自适应模态路由（AMR）模块，用于多模态多语言说话人识别。AMR使用W2V-BERT 2.0音频编码器和IResNet-18人脸编码器，通过可训练路由器动态分配模态权重。在POLY-SIM 2026评估集上，系统在4个协议上的平均准确率达99.07%，比FOP基线提升32.73%。具体成绩：英语多模态99.93%，乌尔都语多模态100.00%，英语仅音频97.50%，乌尔都语仅音频98.83%。

论文 W2V-BERT 2.0 IResNet-18 AMR

推荐理由：这篇用AMR动态融合音视频特征，缺失模态也能准确识别说话人。在POLY-SIM上平均99%准确率，比基线高32%，很实用。