Este artículo describe un sistema para el Desafío MLC-SLM 2026 que combina una interfaz frontal modular de diarización de hablantes con un reconocedor Qwen3-ASR-1.7B adaptado al desafío.
La interfaz frontal de diarización realiza detección de actividad de voz, generación de subsegmentos, extracción de incrustaciones de hablante CAMPPlus, agrupamiento espectral para dos hablantes y segmentación de audio basada en RTTM. Los segmentos resultantes atribuidos a hablantes se agrupan por idioma o región y son decodificados por el modelo ASR adaptado. Para la adaptación del ASR, el sistema primero realiza un ajuste fino completo supervisado en datos oficiales de entrenamiento, luego aplica un ajuste fino LoRA con habla sintética de un marco TTS de tres tuberías, y finalmente refina el modelo utilizando aprendizaje por refuerzo GRPO.
En el conjunto oficial de desarrollo, el sistema completo logra un tcpMER promedio de 23.70, reduciendo la tasa de error en 6.83 puntos absolutos en comparación con el rendimiento publicado de Qwen-ASR-1.7B. En el conjunto final de evaluación, el sistema logra un tcpMER promedio de 17.97.