结合语义的说话人日志系统通过引入Forced-Alignment模块来对齐文本和speaker embedding过程,并使用ASR输出的文本结果输入到语义模块中来提取说话人相关的语义信息。通过对话预测和说话人转换预测两个基于Bert的模型,判断多人对话中说话人转换的发生及具体位置,解决了传统纯声学方案在说话人音色相近、频繁切换、抢话以及声学环境复杂时的问题。
版权声明:本文内容由阿里云实名注册用户自发贡献,版权归原作者所有,阿里云开发者社区不拥有其著作权,亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容,填写侵权投诉表单进行举报,一经查实,本社区将立刻删除涉嫌侵权内容。