本論文は、モジュラー型の話者ダイアライゼーションフロントエンドとチャレンジ適応済みQwen3-ASR-1.7B認識器を組み合わせるMLC-SLM 2026チャレンジ向けのシステムについて記述する。

ダイアライゼーションフロントエンドは、音声活動検出、サブセグメント生成、CAMPPlus話者埋め込み抽出、2者スペクトラルクラスタリング、およびRTTMベースのオーディオセグメンテーションを実行する。得られた話者帰属セグメントは言語または地域別にグループ化され、適応済みASRモデルによってデコードされる。ASR適応において、システムはまず公式トレーニングデータ上で教師ありフルファインチューニングを実行し、次に3パイプラインTTSフレームワークからの合成音声を用いてLoRAファインチューニングを適用し、最後にGRPO強化学習を使用してモデルを微調整する。

公式開発セットでは、全体システムは平均tcpMER 23.70を達成し、リリース済みQwen-ASR-1.7Bのパフォーマンスと比較してエラー率を6.83絶対ポイント削減した。最終評価セットでは、システムは平均tcpMER 17.97を達成した。