В данной статье описывается система для конкурса MLC-SLM 2026 Challenge, которая объединяет модульный фронтенд диааризации говорящих с адаптированной под конкурс распознающей моделью Qwen3-ASR-1.7B.
Фронтенд диааризации выполняет обнаружение речевой активности (VAD), генерацию подсегментов, извлечение эмбеддингов говорящих CAMPPlus, спектральную кластеризацию для двух говорящих и сегментацию аудио на основе RTTM. Полученные сегменты с атрибуцией к говорящим группируются по языку или региону и декодируются адаптированной моделью ASR. Для адаптации ASR система сначала выполняет полное обучение с учителем (full fine-tuning) на официальных обучающих данных, затем применяет дообучение LoRA с синтетической речью из трехконвейерной TTS-системы и, наконец, уточняет модель с помощью обучения с подкреплением GRPO.
На официальном наборе данных для разработки полная система достигает среднего tcpMER на уровне 23.70, снижая ошибку на 6.83 абсолютных пункта по сравнению с опубликованным результатом Qwen-ASR-1.7B. На финальном наборе данных для оценки система достигает среднего tcpMER на уровне 17.97.