2차 MLC-SLM 챌린지 제출: 화자 분리 및 ASR에 대한 캐스케이드 방식과 통합 방식 비교

본 논문은 2차 다국어 대화 음성 언어 모델(MLC-SLM) 챌린지에 제출된 HINTT 시스템을 제시합니다. 본 연구는 시스템이 누가 언제 말했는지, 그리고 무엇을 말했는지 결정해야 하는 다국어 화자 속성 ASR(speaker-attributed ASR) 문제를 다룹니다. 우리는 이 문제에 대한 두 가지 모델링 전략을 조사했습니다: 화자 분리(speaker diarization)를 음성-LLM 기반 ASR과 결합하는 캐스케이드 파이프라인, 그리고 화자 레이블, 타임스탬프 및 전사본을 직접 생성하는 통합 음성 LLM입니다. 우리의 최종 제출물은 미세 조정된 DiariZen 화자 분리 모델, 미세 조정된 Qwen3-ASR 모델, 그리고 LLM 기반의 생성 오류 수정으로 구성된 캐스케이드 파이프라인에 기반합니다. 비교를 위해, 동일한 공식 훈련 데이터를 사용하여 VibeVoice-ASR을 통합 모델로도 미세 조정했습니다. 모든 작업별 미세 조정 및 모델 선택은 외부 데이터나 유사 레이블 없이 오직 공식 MLC-SLM 데이터만을 사용했습니다. 실험 결과는 캐스케이드 시스템이 MLC-SLM Task 1 조건에서 더 신뢰성을 유지하는 반면, 통합 음성 LLM은 미래 화자 속성 ASR을 위한 유망한 방향을 제공함을 보여줍니다.