Cet article décrit un système pour le Défi MLC-SLM 2026 qui combine un front-end modulaire de diarisation des locuteurs avec un reconnaissant Qwen3-ASR-1.7B adapté au défi.
Le front-end de diarisation effectue la détection d'activité vocale, la génération de sous-segments, l'extraction d'empreintes de locuteurs CAMPPlus, le clustering spectral à deux locuteurs et la segmentation audio basée sur RTTM. Les segments attribués aux locuteurs résultants sont regroupés par langue ou région et décodés par le modèle ASR adapté. Pour l'adaptation ASR, le système effectue d'abord un ajustement fin complet supervisé sur les données d'entraînement officielles, puis applique un ajustement fin LoRA avec des paroles synthétiques provenant d'un cadre TTS à trois pipelines, et affine enfin le modèle en utilisant l'apprentissage par renforcement GRPO.
Sur l'ensemble de développement officiel, le système complet atteint un tcpMER moyen de 23,70, réduisant le taux d'erreur de 6,83 points absolus par rapport aux performances de Qwen-ASR-1.7B publié. Sur l'ensemble d'évaluation final, le système atteint un tcpMER moyen de 17,97.