ICASSP 2022多通道多方会议转录挑战

说话人日志，也称为说话人分段聚类，通过记录多说话人音频数据上属于特定于说话人的语音事件来解决“什么人在什么时候说了话”的问题。组织者规定允许使用的限定数据集包括AliMeeting、Aisell-4和CN Celeb。AliMeeting的训练集和验证集数据不仅包含麦克风阵列记录的远场会议现场音频，还包含由每个与会者的耳机麦克风记录的近场音频。测试集包括10个小时的会议数据，将（根据时间安排）于之后发布，用于对该赛道的结果进行评分和排名。最终测试集评测的时候，主办方将只提供8通道麦克风阵列录制的测试集中的远场音频和相应的句子分段时间戳。请注意，组织者不会提供耳机麦克风的近场录音。参赛者需要确定每个时间点的发言者，并且为每段会议提供RTTM文件。

该赛道中说话人日志系统的准确度通过日志错误率（DER）来衡量，其中DER的计算公式为：说话人混淆（SC）、误报（FA）和漏检（MD）三种不同错误的总时间除以总持续时间:
DER=(T_SC+T_FA+T_MD)/T_Total * 100%
其中 T_SC、T_FA 和T_MD 是三种错误各自发生的时长，T_Total是总的时长。
我们采用匈牙利算法对预测结果和参考转录抄本进行对齐。Rich Transcription 2006 evaluation在真实标签片段的每个边界周围设置了一个0.25秒的“不计算分数”区域来减少转录抄本中注释不准确和人为错误的影响。由于此评估方案已在文献中广泛采用，我们在挑战中也遵循此设置。

多说话人语音识别赛道要求处理重叠语音并识别多个说话人的内容，组织者将仅提供AliMeeting和Aisell-4的训练和测试集作为赛道2的可用的限定数据。最终提供的测试集数据与赛道1相同。参赛者最终需要转录每个发言者的发言，但不需要为每段转录文本标注对应发言者。

多说话人语音识别赛道的精度采用字符错误率（CER）来衡量。对于给定的预测输出，CER计算将其转化为参考转录本所需的最小字符插入数（Ins）、替换数（SUB）和删除数（Del）与转录抄本的字符总数（包括空格）的比例：
CER=(N_Ins+N_Subs+N_Del)/N_Total * 100% 其中N_Ins, N_Subs, N_Del 是三种错误的字符数， N_Total 是字符总数。
考虑到置换不变训练（PIT）问题，我们提出了两种计算重叠语音CER的方案。
第一种计算方案是基于语句的先进先出（FIFO）方法：我们根据每条语句的开始时间对真实标签进行排序，并使用标记连接这些语句,然后按照这种固定的排列顺序计算CER。
第二种方法基于说话人的方法：参赛者直接预测得到每个说话人的抄本或者自行对相同说话人的抄本进行合并，然后组办方会对所有说话人的连接方式进行计算（相同说话人的语句合并需要参赛者自行处理或者预测）。

● 子赛道一（限定训练数据）：参与者只能使用限定数据构建两个系统，严禁使用额外数据。赛道1（说话人日志）和赛道2（多说话语音识别）仅能使用AliMeeting、Aishell-4和CN Celeb。

● 子赛道二（开放训练数据）：除了限定数据外，参与者可以使用任何公开可用、私人记录和模拟仿真的数据集。但是，参与者必须清楚地列出使用的数据。如果使用模拟仿真数据，请详细描述数据模拟的方案。