VoiceArena 推出说话人分离评测基准 Diarization Bench，横向对比 12 款系统

VoiceArena 推出针对说话人分离（Speaker Diarization）的评测基准 Diarization Bench 并公布 12 款系统的横向评测结果，为多说话人复杂语音转录场景提供了统一且标准化的客观评估量度。

• 评测数据集涵盖 139 段经人工校验的真实远场英文对话（总计约 22 小时音频、涉及 280 余名说话人），主要用于检验算法在重叠语音与说话人轮替场景下的分离能力。
• 评测结果显示，NVIDIA 开源的 100M 参数模型 Nemotron 3 Diarization 在 0 ms 时间容差下以 14.72% 的 DER（说话人分离错误率）排名首位，优于次席系统的 19.3%。
• 该基准重点揭示了时间容差（collar）效应，同一模型在 250 ms 容差下的 DER 为 4.29%，但在 0 ms 严格对齐下误差率上升至 14.72%，凸显了精确定位语音切分边界在实际工程中的难度。
• 影响/看点：该基准有助于推动语音处理模型在会议纪要与多人对话场景下的标准化评测，但其排名结论成立的前提在于实际应用场景的音频信噪比与声学分布与该基准数据集保持一致。
• 资料依据：
• X：Rohan Paul（2026-09-23）：https://x.com/rohanpaul_ai/status/2102806851968708745
• Hugging Face：NVIDIA（2026-09-23）：https://huggingface.co/nvidia/Nemotron-3-Diarization

本内容由 AI 生成，仅供参考，请注意甄别