知识卡片：推理大语言模型提升长篇电视剧中的说话人识别

一句话结论

本文提出了一个大规模说话人识别基准 DramaSR-532K 和一个基于大型推理模型（LRM）的多模态工具使用方法 DramaSR-LRM，后者在长篇电视剧的说话人归属任务上显著优于现有基线，尤其在短话语场景中优势明显。

事件概述或研究问题

长篇电视剧的视频理解极具挑战性，其中说话人识别（Speaker Recognition）——即将每句台词准确归属到对应角色——是理解复杂剧情的关键。现有方法在短话语（声学特征不可靠）以及需要融合听觉、语言和视觉线索的场景中表现不佳。本研究旨在通过构建大规模基准并提出新的推理模型来解决这一问题。

方法/产品要点

• DramaSR-532K：一个大规模基准数据集，包含 53.2 万条带标注的对话行，覆盖超过 900 个独立角色，要求模型整合听觉、语言和视觉线索进行说话人识别。
• DramaSR-LRM：基于大型推理模型（LRM）的稳健方法。该模型能够通过多模态工具使用自动汇聚上下文证据，综合多样输入实现高保真的人物归属。

主要结果或产业意义

• 实验结果表明，DramaSR-LRM 显著优于现有基线方法，尤其在短话语（声学生物特征本身不可靠）上表现突出。
• 该工作为长篇视频理解（如电视剧、电影）提供了有效工具，有助于提升自动字幕、角色分析、视频摘要等应用的准确性。

为什么重要

长篇电视剧中的说话人识别长期缺乏大规模高质量基准以及推理能力更强的系统。本研究填补了这一空白，展示了将推理大语言模型与多模态工具使用相结合在复杂视频理解任务中的潜力。

局限与不确定性

• 论文声称所有数据和代码将公开，但截至知识卡生成时间，公开链接（https://www.github.com/198808xc/DramaSR-LRM）是否为最终可用版本需待核实。
• 基准仅针对电视剧领域，是否适用于其他长视频形式（如纪录片、综艺）未在材料中提及。
• 模型的计算开销、推理时间等实际部署信息在摘要中未提供。

可用于图书/PPT/简报的角度

• 从“AI如何看懂长剧集”切入，展示大型推理模型在多模态推理中的新应用。
• 案例说明：短话语场景（如角色低声说话、多人同时说话）的识别挑战及解决方案。
• 对比传统声纹识别与多模态推理方法的优劣，用于技术科普或产业趋势分析。

原始材料

• 英文标题：Reasoning LLM Improves Speaker Recognition in Long-form TV Dramas
• 英文关键词：Speaker Recognition, Long-form TV Dramas, Large Reasoning Model, Multimodal Tool-use
• 来源：arXiv:2607.02504v1，作者 Yuxuan Li 等，发布于 2026-07-02。
• 项目页面：https://www.github.com/198808xc/DramaSR-LRM