Makalah ini menggambarkan sistem untuk Tantangan MLC-SLM 2026 yang menggabungkan front-end diarisasi pembicara modular dengan pengenal Qwen3-ASR-1.7B yang diadaptasi tantangan.
Front-end diarisasi melakukan deteksi aktivitas suara, generasi sub-segmen, ekstraksi embedding pembicara CAMPPlus, pengelompokan spektral dua pembicara, dan segmentasi audio berbasis RTTM. Segmen yang dikaitkan dengan pembicara dihasilkan dikelompokkan berdasarkan bahasa atau wilayah dan didekode oleh model ASR yang diadaptasi. Untuk adaptasi ASR, sistem pertama-tama melakukan fine-tuning penuh terawasi pada data pelatihan resmi, kemudian menerapkan fine-tuning LoRA dengan ucapan sintetis dari kerangka kerja TTS tiga-pipeline, dan akhirnya menyempurnakan model menggunakan pembelajaran penguatan GRPO.
Pada set pengembangan resmi, sistem secara keseluruhan mencapai tcpMER rata-rata 23,70, mengurangi tingkat kesalahan sebesar 6,83 poin absolut relatif terhadap kinerja Qwen-ASR-1.7B yang dirilis. Pada set evaluasi akhir, sistem mencapai tcpMER rata-rata 17,97.