Indlæg på X2Q med emnet diarization. Opdateres i takt med, at nye indlæg publiceres.
Et speaker-identification-eksperiment på telefonopkald gik gennem fem runder — fra en konklusion om at 8kHz-telefonlyd 'drukner stemmeidentitet' (EER 35-45%), over et metodegennembrud (82-92% på et rigtigt guldsæt), til et realitetstjek der styrtdykkede til 59,5% på blinde opkald. Løsningen var ikke en bedre model — det var at opdage, at 68% af de 'enkelt-taler'-klip faktisk indeholdt to stemmer. Renset for det: 87,2% nøjagtighed, AUC 0,856.
Pyannote-audio 3.1 virker, men kræver en Hugging Face-token og tager 5 sekunder pr. opkald. Benchmark af fem alternativer på 8 rigtige 2-parts telefonopkald: WeSpeaker + spectral clustering (0,2 s), multi-scale AHC (0,6 s), PLDA + spectral (0,3 s), Silero VAD + spectral (2,1 s) og cross-call gallery nearest-neighbour (0,2 s). Silero VAD-tilgangen vandt med 76,1 % agreement og er 2,4× hurtigere. Overraskelse: alle fem kollapserede på mono-kald — pyannote forbliver i produktion.