VoicePing Diarization v0.1은 다국어 화자 분리 모델입니다. 42개 파일 벤치마크에서 NeMo, pyannoteAI precision-2, AssemblyAI, Deepgram과 비교했습니다.
VoicePing Diarization v0.1 소개
VoicePing Diarization v0.1은 VoicePing의 첫 공개 화자 분리 모델입니다. 다국어 회의에서 누가 언제 말했는지 구간을 나누고, 이후의 화자 신원 매칭으로 이어지도록 설계된 화자 세그먼테이션 모델입니다.
이 글은 2026년 7월에 수행한 42개 파일 다국어 벤치마크를 통해 모델을 소개합니다. NeMo, pyannoteAI precision-2, AssemblyAI, Deepgram도 평가 맥락에 포함해, VoicePing Diarization v0.1이 익숙한 오픈 모델 및 상용 화자 라벨링 옵션과 비교해 어디에 위치하는지 보여줍니다.
중요한 단서가 하나 있습니다. VoicePing Diarization v0.1은 선택된 벤치마크 행의 공개 모델 정체성이며, 실시간 프로덕션 레지스트리 확인을 의미하지 않습니다. 프로덕션 모델 선택은 런타임 설정으로 제어되며, 프로덕션에는 이 화자 분리 전용 벤치마크 밖의 화자 신원 매칭도 포함됩니다.
평가 설정
벤치마크는 42개 파일, 약 10.5시간의 오디오로 구성됩니다. 영어, 일본어, 한국어, 베트남어, 중국어 다섯 개 단일 언어 세트와 코드 스위칭이 있는 두 개의 다국어 파일을 포함합니다. 시나리오는 30초부터 1시간까지, 화자 수는 2-9명, 중첩 발화는 0-30% 범위입니다.
파일은 실제 단일 화자 녹음을 이어 붙인 합성 대화입니다. 그래서 정확한 참조 라벨과 반복 가능한 채점을 제공하지만, 많은 실제 회의보다 더 깨끗합니다. 결과는 통제된 벤치마크로 보아야 하며, 도메인 밖 회의 평가를 대체하는 것으로 보아서는 안 됩니다.
평가 세트는 원시 내부 내보내기보다 의도적으로 좁습니다. NeMo는 주요 로컬 오픈 베이스라인으로 포함했고, 재실행 산출물의 NeMo Neural MSDD 결과를 사용했습니다. pyannoteAI precision-2는 가장 명확한 전용 상용 화자 분리 서비스로 포함했습니다. Deepgram과 AssemblyAI는 구매자가 화자 포함 전사 평가에서 자주 비교하므로 포함했지만, 마스킹된 셀은 직접적인 헤드라인 순위에는 사용하지 않았습니다.
방법론 세부 사항으로, DER은 pyannote.metrics 스타일의 화자 분리 오류율로 채점했고, fair collar, 중첩 발화 포함 채점, 코퍼스 시간 가중 집계를 사용했습니다. 2026년 7월 연구 평가 내보내기는 voiceping-inc/titanet Hugging Face 스냅샷(titanet_finetuned.nemo)의 VoicePing Diarization v0.1 벤치마크 행, NeMo Neural MSDD 베이스라인, pyannoteAI precision-2, AssemblyAI와 Deepgram의 transcript 결합 화자 라벨 출력을 사용했습니다.
전체 결과
| 시스템 | 파일 | DER | 역할 | RTF |
|---|---|---|---|---|
| VoicePing Diarization v0.1 | 42 | 4.01% | VoicePing 화자 분리 모델 | 0.024 |
| NeMo | 42 | 6.64% | NeMo Neural MSDD 베이스라인 | 0.020 |
| pyannoteAI precision-2 | 42 | 8.55% | 전용 상용 화자 분리 API | 0.028 |
| AssemblyAI | 42 | xx | transcript 결합 화자 라벨 | 0.049 |
| Deepgram | 41 | xx | transcript 결합 화자 라벨 | 0.006 |
깔끔한 결론은 단순합니다. 통제 벤치마크에서 VoicePing Diarization v0.1이 앞서고, 그 뒤를 NeMo와 pyannoteAI precision-2가 따릅니다. 전용 화자 분리 API는 진지한 외부 비교 대상으로 볼 만큼 충분히 가깝습니다. transcript 결합 행은 맥락으로 포함되지만, 핵심 정확도 비교는 VoicePing Diarization v0.1, NeMo, pyannoteAI precision-2입니다.
구성 요소 보기는 공개된 다섯 행을 모두 포함합니다. VoicePing Diarization v0.1, NeMo, pyannoteAI precision-2는 누락, 오검출, 화자 혼동 세그먼트 옆에 헤드라인 DER 라벨을 표시합니다. AssemblyAI와 Deepgram은 비례 구성 세그먼트와 masked DER 라벨을 가진 transcript 결합 맥락 행으로 포함됩니다.
언어별 결과
| 언어 | VoicePing Diarization v0.1 | NeMo | pyannoteAI precision-2 | AssemblyAI | Deepgram |
|---|---|---|---|---|---|
| 영어 | 3.54% | 4.50% | 4.40% | 21.73% | 8.23% |
| 일본어 | 3.79% | 7.30% | 10.87% | xx | 28.76% |
| 한국어 | 4.08% | 10.86% | 11.21% | xx | xx |
| 베트남어 | 4.12% | 5.56% | 7.95% | xx | xx |
| 중국어 | 4.37% | 5.10% | 7.98% | 25.78% | 11.67% |
| 혼합, 5개 언어 | 3.50% | 7.53% | 16.54% | xx | xx |
| 혼합, 4개 언어 | 4.14% | 4.59% | 4.62% | xx | xx |
언어별로 보면, 이 공개 표의 일곱 언어 버킷 모두에서 VoicePing Diarization v0.1이 가장 강한 행입니다. NeMo는 여전히 유용한 오픈 베이스라인이며, 이 행은 NeMo Neural MSDD를 사용합니다. pyannoteAI precision-2는 언어 전반에서 꾸준히 실용적이지만, 여기서는 모든 버킷에서 VoicePing Diarization v0.1보다 뒤처집니다.
API 행은 다른 이야기를 합니다. Deepgram과 AssemblyAI는 화자 포함 전사의 참고 자료로 유용하지만, 공개 표는 이들을 다국어 화자 타임라인의 직접적인 화자 분리 대체물로 제시해서는 안 되는 이유를 보여줍니다.
시나리오와 짧은 오디오의 시사점
시나리오 보기는 단일 스위트 평균이 아니라 세그먼트별로 읽어야 합니다. VoicePing Diarization v0.1은 5분 기본 버킷에서 3.92% DER로 가장 강하고, 2분 오디오 6.04%, 5분 무중첩 오디오 5.93%, 30분 7-9명 화자 오디오 5.57%로 한 자릿수 중반을 유지합니다. 더 어려운 회의 버킷에서는 30% 중첩이 있는 5분 오디오 8.23%, 7-9명 화자의 5분 오디오 8.69%, 60분 오디오 8.28%까지 상승합니다.
제품 계획에서는 세 가지 질문을 분리해야 합니다. 첫째, 전체 회의에서 가장 강한 화자 분리 파이프라인은 무엇인가. 둘째, 각 화자의 발화량이 적을 때 어떤 임베딩 모델이 견고한가. 셋째, MSDD 개선과 화자 신원 매칭 이후 전체 프로덕션 파이프라인은 어떻게 동작하는가. 이 글은 세그먼테이션 계층의 첫 번째 질문에만 답합니다.
로컬 시스템의 속도는 여전히 유리합니다. PC-54 전체 스위트 내보내기는 VoicePing Diarization v0.1을 0.024 RTF, NeMo를 0.020 RTF, pyannoteAI precision-2를 0.028 RTF로 보고합니다. API 시간에는 제공업체의 동작이 포함되므로 하드웨어가 정규화된 벤치마크가 아니라 운영 맥락으로 읽어야 합니다. 속도 차트는 AssemblyAI와 Deepgram을 masked DER API 맥락으로 유지해, 타이밍 비교의 초점을 운영 맥락에 둡니다.
transcript 결합 API: 유용하지만 다르다
Deepgram과 AssemblyAI는 전사 출력에 화자 라벨을 붙입니다. 사용자가 화자 포함 전사를 필요로 할 때 유용하지만, 전체 오디오 타임라인을 화자 분리하는 것과 같지는 않습니다. 발화가 전사되지 않거나 특정 언어에서 전사가 불안정하면, 화자 타임라인도 그 한계를 그대로 물려받습니다.
AssemblyAI는 Deepgram보다 더 음향적으로 동작하지만, 공개 표에서는 일부 행이 여전히 마스킹되어 있습니다. 이 글에서 두 제공업체는 방법론, 전체 보기, 언어 보기에 남겨두었습니다. 이는 구매 경로의 일반적인 참고 대상이기 때문이지, 가장 강한 화자 분리 경쟁자이기 때문은 아닙니다.
VoicePing에 주는 의미
이 글은 선택된 VoicePing 벤치마크 결과를 VoicePing Diarization v0.1로 제시합니다. 이를 통해 내부 실험명이 아니라 고객에게 보이는 모델 정체성에 초점을 맞출 수 있습니다. VoicePing Diarization v0.1은 벤치마크를 이끌며, 주시해야 할 진지한 비교 대상은 pyannoteAI precision-2입니다.
그렇다고 지속적인 내부 진단의 중요성이 줄어들지는 않습니다. 프로덕션 화자 분리는 하나의 단계일 뿐입니다. 전사 정렬, 화자 세그먼테이션, 그리고 알려진 워크스페이스 음성에 대한 화자 신원 매칭이 이어집니다. 마지막 단계는 익명 라벨을 회의 전반에서 같은 동료 이름으로 바꾸지만, 벤치마크된 API는 이를 제공하지 않습니다. 다음 공개 후속 글은 이 고립된 세그먼테이션 행뿐 아니라 전체 프로덕션 파이프라인을 평가해야 합니다.
이 글이 불안정한 짧은 클립 일화를 비율로 공개하지 않는 이유도 여기에 있습니다. 짧은 파일은 실제 실패 모드를 드러낼 수 있지만, 하나의 시나리오에 이야기를 과적합하지 않으려면 충분한 예시를 가진 별도의 수용 테스트가 필요합니다. 프로덕션 질문은 세그먼터가 통제 코퍼스에서 이기는지뿐만이 아닙니다. 사용자가 라이브 회의, 업로드된 통화, 짧은 음성 조각 전반에서 올바른 화자 이름, 안정적인 턴, 유용한 전사를 일관되게 보는지가 핵심입니다.
제한 사항과 결론
주요 제한은 평가 세트입니다. 합성 대화는 정확한 참조를 제공하지만 실제 회의보다 깨끗하고, 학습 데이터와 관련된 도메인에서 나왔습니다. 타임라인도 거의 벽에서 벽까지 발화로 채워져 있어 오검출 동작을 충분히 압박하지 못합니다. 최종 프로덕션 주장을 하려면 더 어려운 중첩 발화 녹음을 포함한 실제 도메인 밖 다화자 세트가 여전히 필요합니다.
이 한계 안에서 주된 결론은 이렇습니다. VoicePing Diarization v0.1은 42개 파일 벤치마크를 이끌고, pyannoteAI precision-2는 주시해야 할 전용 상용 API 행이며, 마스킹된 셀이 있는 곳에서는 transcript 결합 제품을 정성적 참고로 남겨두어야 합니다. 다음 작업은 프로덕션 모델 정체성, 짧은 오디오 동작, 엔드투엔드 프로덕션 파이프라인 벤치마크에 집중해야 합니다.
