Este artigo descreve um sistema para o Desafio MLC-SLM 2026 que combina uma frente modular de diarização de falantes com um reconhecedor Qwen3-ASR-1.7B adaptado ao desafio.
A frente de diarização realiza detecção de atividade de voz, geração de subsegmentos, extração de embeddings de falante CAMPPlus, agrupamento espectral para dois falantes e segmentação de áudio baseada em RTTM. Os segmentos resultantes atribuídos a falantes são agrupados por idioma ou região e decodificados pelo modelo ASR adaptado. Para a adaptação do ASR, o sistema primeiro realiza um ajuste fino completo supervisionado nos dados oficiais de treinamento, depois aplica um ajuste fino LoRA com fala sintética de uma estrutura TTS de três pipelines e, finalmente, refina o modelo usando aprendizado por reforço GRPO.
No conjunto oficial de desenvolvimento, o sistema completo alcança um tcpMER médio de 23.70, reduzindo a taxa de erro em 6.83 pontos absolutos em relação ao desempenho publicado do Qwen-ASR-1.7B. No conjunto final de avaliação, o sistema alcança um tcpMER médio de 17.97.