VoicePing Diarization v0.1 est un modèle multilingue de diarisation des locuteurs, évalué sur un benchmark de 42 fichiers avec NeMo, pyannoteAI precision-2, AssemblyAI et Deepgram.
Présentation de VoicePing Diarization v0.1
VoicePing Diarization v0.1 est notre premier modèle public de diarisation : un modèle de segmentation des locuteurs pour les réunions multilingues, conçu pour identifier qui parle et à quel moment avant la correspondance d’identité des locuteurs en aval.
Cet article présente le modèle à travers un benchmark multilingue de 42 fichiers réalisé en juillet 2026. NeMo, pyannoteAI precision-2, AssemblyAI et Deepgram sont inclus comme contexte d’évaluation afin que les lecteurs comprennent la position de VoicePing Diarization v0.1 face aux options ouvertes et commerciales courantes de labellisation des locuteurs.
Un point est important : VoicePing Diarization v0.1 est l’identité publique du modèle pour la ligne de benchmark choisie, et non une vérification en direct du registre de production. La sélection du modèle en production est contrôlée par la configuration runtime, et la production inclut aussi une correspondance d’identité des locuteurs en aval, en dehors de ce benchmark limité à la diarisation.
Configuration de l’évaluation
Le benchmark contient 42 fichiers et environ 10,5 heures d’audio : cinq ensembles monolingues en anglais, japonais, coréen, vietnamien et mandarin, plus deux fichiers multilingues avec code-switching. Les scénarios vont de 30 secondes à 1 heure, avec 2 à 9 locuteurs et 0 à 30% de parole chevauchée.
Les fichiers sont des conversations synthétiques assemblées à partir de vrais enregistrements à locuteur unique. Cela donne des labels de référence exacts et un scoring répétable, mais c’est plus propre que de nombreuses réunions réelles. Les résultats doivent être lus comme un benchmark contrôlé, pas comme un remplacement de l’évaluation de réunions hors domaine.
L’ensemble d’évaluation est volontairement plus étroit que l’export interne brut. NeMo est inclus comme principale baseline locale ouverte, en utilisant le résultat NeMo Neural MSDD des artefacts relancés. pyannoteAI precision-2 est inclus comme le service commercial dédié de diarisation le plus clair. Deepgram et AssemblyAI sont inclus parce que les acheteurs les comparent souvent dans les évaluations de transcripts avec attribution des locuteurs, mais les cellules masquées ne sont pas utilisées pour le classement principal.
Détails méthodologiques : le DER a été calculé comme taux d’erreur de diarisation de style pyannote.metrics, avec fair collar, chevauchement scoré et agrégation pondérée par le temps du corpus. L’export de recherche de juillet 2026 a utilisé la ligne VoicePing Diarization v0.1 issue du snapshot Hugging Face voiceping-inc/titanet (titanet_finetuned.nemo), la baseline NeMo Neural MSDD, pyannoteAI precision-2, et les sorties de labels locuteur attachées à l’transcript d’AssemblyAI et Deepgram.
Résultats globaux
| Système | Fichiers | DER | Rôle | RTF |
|---|---|---|---|---|
| VoicePing Diarization v0.1 | 42 | 4.01% | Modèle de diarisation VoicePing | 0.024 |
| NeMo | 42 | 6.64% | Baseline NeMo Neural MSDD | 0.020 |
| pyannoteAI precision-2 | 42 | 8.55% | API commerciale dédiée de diarisation | 0.028 |
| AssemblyAI | 42 | xx | Labels locuteur attachés à l’transcript | 0.049 |
| Deepgram | 41 | xx | Labels locuteur attachés à l’transcript | 0.006 |
Le message principal est simple : VoicePing Diarization v0.1 mène le benchmark contrôlé, suivi par NeMo puis pyannoteAI precision-2. L’API dédiée de diarisation reste assez proche pour être une comparaison externe sérieuse. Les lignes attachées à l’transcript sont conservées comme contexte, tandis que la comparaison de précision centrale reste VoicePing Diarization v0.1, NeMo et pyannoteAI precision-2.
La vue des composants inclut les cinq lignes publiques. VoicePing Diarization v0.1, NeMo et pyannoteAI precision-2 affichent leurs labels DER principaux à côté des segments de miss, false alarm et confusion de locuteur. AssemblyAI et Deepgram sont inclus comme lignes de contexte speaker-attributed transcript avec segments proportionnels et labels masked DER.
Résultats par langue
| Langue | VoicePing Diarization v0.1 | NeMo | pyannoteAI precision-2 | AssemblyAI | Deepgram |
|---|---|---|---|---|---|
| Anglais | 3.54% | 4.50% | 4.40% | 21.73% | 8.23% |
| Japonais | 3.79% | 7.30% | 10.87% | xx | 28.76% |
| Coréen | 4.08% | 10.86% | 11.21% | xx | xx |
| Vietnamien | 4.12% | 5.56% | 7.95% | xx | xx |
| Mandarin | 4.37% | 5.10% | 7.98% | 25.78% | 11.67% |
| Mixte, 5 langues | 3.50% | 7.53% | 16.54% | xx | xx |
| Mixte, 4 langues | 4.14% | 4.59% | 4.62% | xx | xx |
Par langue, VoicePing Diarization v0.1 est la ligne la plus forte dans les sept groupes de ce tableau public. NeMo reste une baseline ouverte utile ; cette ligne utilise NeMo Neural MSDD. pyannoteAI precision-2 est viable de façon régulière selon les langues, mais reste derrière VoicePing Diarization v0.1 dans chaque groupe ici.
Les lignes API racontent autre chose. Deepgram et AssemblyAI sont des références utiles pour les transcripts avec attribution des locuteurs, mais le tableau public montre pourquoi ils ne doivent pas être présentés comme des remplacements directs de diarisation pour les timelines de locuteurs multilingues.
Scénarios et enseignements sur l’audio court
La vue par scénario doit être lue segment par segment, pas comme une moyenne unique de toute la suite. VoicePing Diarization v0.1 est le plus fort sur le groupe de base de 5 minutes avec 3.92% DER, reste dans les valeurs médianes à un chiffre sur l’audio de 2 minutes à 6.04%, l’audio de 5 minutes sans chevauchement à 5.93%, et l’audio de 30 minutes avec 7-9 locuteurs à 5.57%, puis monte sur les groupes de réunions plus difficiles : 8.23% pour 5 minutes avec 30% de chevauchement, 8.69% pour 5 minutes avec 7-9 locuteurs, et 8.28% pour 60 minutes.
Pour la planification produit, il faut donc séparer trois questions. Premièrement, quelle pipeline de diarisation est la plus forte pour des réunions complètes ? Deuxièmement, quel modèle d’embedding reste robuste quand chaque locuteur a peu de parole ? Troisièmement, comment se comporte la pipeline complète de production après raffinement MSDD et correspondance d’identité des locuteurs ? Cet article répond seulement à la première partie, au niveau segmentation.
La vitesse reste favorable aux systèmes locaux. L’export PC-54 full-suite rapporte VoicePing Diarization v0.1 à 0.024 RTF, proche de NeMo à 0.020 RTF et de pyannoteAI precision-2 à 0.028 RTF. Les temps API incluent le comportement des fournisseurs et doivent être lus comme contexte opérationnel, pas comme benchmark normalisé par matériel. Le graphique de vitesse garde AssemblyAI et Deepgram comme contexte API masked DER pour que la comparaison de timing reste centrée sur l’exploitation.
API attachées à l’transcript : utiles, mais différentes
Deepgram et AssemblyAI attachent des labels de locuteurs à la sortie de transcription. C’est utile quand l’utilisateur veut un transcript attribué aux locuteurs, mais ce n’est pas la même chose que diariser toute la timeline audio. Si la parole n’est pas transcrite, ou si le transcript est instable dans une langue, la timeline des locuteurs hérite de cette limite.
AssemblyAI se comporte de façon plus acoustique que Deepgram, mais certaines lignes restent masquées dans le tableau public. Dans cet article, les deux fournisseurs restent dans la méthodologie, la vue globale et les vues par langue parce qu’ils sont des références fréquentes du parcours d’achat, pas parce qu’ils sont les concurrents de diarisation les plus forts.
Ce que cela signifie pour VoicePing
Cet article présente le résultat VoicePing sélectionné sous le nom VoicePing Diarization v0.1. Cela garde le récit centré sur l’identité du modèle côté client plutôt que sur des noms d’expériences internes. VoicePing Diarization v0.1 mène le benchmark, et la comparaison sérieuse à suivre est pyannoteAI precision-2.
Cela ne réduit pas l’importance du diagnostic interne continu. La diarisation en production n’est qu’une étape : alignement du transcript, segmentation des locuteurs, puis correspondance d’identité avec les voix connues du workspace. Cette dernière étape transforme des labels anonymes en mêmes noms de collègues d’une réunion à l’autre, ce que les API benchmarkées ne fournissent pas. Le prochain suivi public devrait évaluer toute la pipeline de production, pas seulement cette ligne de segmentation isolée.
C’est aussi pourquoi l’article évite de publier des anecdotes de courts clips instables sous forme de ratios. Les fichiers courts peuvent révéler de vrais modes d’échec, mais ils exigent un test d’acceptation séparé avec assez d’exemples pour éviter de surajuster l’histoire à un seul scénario. La question production n’est pas seulement de savoir si le segmenter gagne sur un corpus contrôlé ; c’est de savoir si les utilisateurs voient constamment les bons noms de locuteurs, des tours stables et des transcripts utiles dans les réunions live, appels importés et courts extraits vocaux.
Limites et conclusion
La principale limite est l’ensemble d’évaluation. Les conversations synthétiques donnent des références exactes, mais elles sont plus propres que les réunions réelles et viennent d’un domaine lié à nos données d’entraînement. La timeline est aussi proche d’une parole continue, donc le comportement de false alarm n’est pas assez stressé. Un ensemble réel hors domaine avec plusieurs locuteurs, incluant des enregistrements à chevauchement plus difficile, reste nécessaire avant des affirmations finales de production.
Dans ces limites, la conclusion principale est : VoicePing Diarization v0.1 mène le benchmark de 42 fichiers, pyannoteAI precision-2 est la ligne d’API commerciale dédiée à suivre, et les produits speaker-attributed transcript doivent rester des références qualitatives là où des cellules sont masquées. Le prochain travail devrait se concentrer sur l’identité du modèle de production, le comportement sur audio court et un benchmark de pipeline de production de bout en bout.
