यह पत्र MLC-SLM 2026 चुनौती के लिए एक प्रणाली का वर्णन करता है जो एक मॉड्यूलर वक्ता डायरिज़ेशन फ्रंट एंड को चुनौती-अनुकूलित Qwen3-ASR-1.7B रिकग्नाइजर के साथ जोड़ती है।
डायरिज़ेशन फ्रंट एंड वॉयस एक्टिविटी डिटेक्शन, सबसेगमेंट जनरेशन, CAMPPlus वक्ता एम्बेडिंग एक्सट्रैक्शन, दो-वक्ता स्पेक्ट्रल क्लस्टरिंग और RTTM-आधारित ऑडियो सेगमेंटेशन करता है। परिणामी वक्ता-अनुबंधित सेगमेंट भाषा या क्षेत्र के अनुसार समूहीकृत किए जाते हैं और अनुकूलित ASR मॉडल द्वारा डिकोड किए जाते हैं। ASR अनुकूलन के लिए, प्रणाली पहले आधिकारिक प्रशिक्षण डेटा पर सुपरवाइज्ड फुल फाइन-ट्यूनिंग करती है, फिर तीन-पाइपलाइन TTS फ्रेमवर्क से सिंथेटिक स्पीच के साथ LoRA फाइन-ट्यूनिंग लागू करती है, और अंत में GRPO रीइन्फोर्समेंट लर्निंग का उपयोग करके मॉडल को परिष्कृत करती है।
आधिकारिक डेवलपमेंट सेट पर, पूर्ण प्रणाली 23.70 का औसत tcpMER प्राप्त करती है, जो जारी किए गए Qwen-ASR-1.7B प्रदर्शन के सापेक्ष त्रुटि दर को 6.83 निरपेक्ष बिंदुओं से कम करती है। अंतिम मूल्यांकन सेट पर, प्रणाली 17.97 का औसत tcpMER प्राप्त करती है।