VoicePing Diarization v0.1 é um modelo multilíngue de diarização de falantes, avaliado em um benchmark de 42 arquivos com NeMo, pyannoteAI precision-2, AssemblyAI e Deepgram.
Apresentando o VoicePing Diarization v0.1
VoicePing Diarization v0.1 é nosso primeiro lançamento público de modelo de diarização: um modelo de segmentação de falantes para reuniões multilíngues, projetado para identificar quem falou quando antes da correspondência de identidade de falante em etapas posteriores.
Este artigo apresenta o modelo por meio de um benchmark multilíngue de 42 arquivos realizado em julho de 2026. NeMo, pyannoteAI precision-2, AssemblyAI e Deepgram entram como contexto de avaliação para que os leitores entendam onde o VoicePing Diarization v0.1 se posiciona diante de opções abertas e comerciais conhecidas de rotulagem de falantes.
Uma ressalva importa: VoicePing Diarization v0.1 é a identidade pública do modelo para a linha escolhida do benchmark, não uma verificação ao vivo do registro de produção. A seleção de modelo em produção é controlada por configuração runtime, e a produção também inclui correspondência de identidade de falantes downstream, fora deste benchmark apenas de diarização.
Configuração da avaliação
O benchmark contém 42 arquivos e cerca de 10,5 horas de áudio: cinco conjuntos monolíngues em inglês, japonês, coreano, vietnamita e mandarim, além de dois arquivos multilíngues com code-switching. Os cenários variam de 30 segundos a 1 hora, com 2-9 falantes e 0-30% de fala sobreposta.
Os arquivos são conversas sintéticas montadas a partir de gravações reais de um único falante. Isso dá rótulos de referência exatos e pontuação repetível, mas é mais limpo do que muitas reuniões reais. Os resultados devem ser tratados como benchmark controlado, não como substituto para avaliação de reuniões fora do domínio.
O conjunto de avaliação é intencionalmente mais estreito que a exportação interna bruta. NeMo entra como principal baseline local aberto, usando o resultado NeMo Neural MSDD dos artefatos rerun. pyannoteAI precision-2 entra como o serviço comercial dedicado de diarização mais claro. Deepgram e AssemblyAI entram porque compradores frequentemente os comparam em avaliações de transcritos com atribuição de falantes, mas células mascaradas não são usadas para ranking principal direto.
Detalhes de metodologia: o DER foi pontuado como diarization error rate no estilo pyannote.metrics, com fair collar, sobreposição pontuada e agregação ponderada pelo tempo do corpus. A exportação de pesquisa de julho de 2026 usou a linha VoicePing Diarization v0.1 do snapshot Hugging Face voiceping-inc/titanet (titanet_finetuned.nemo), a baseline NeMo Neural MSDD, pyannoteAI precision-2 e saídas de rótulos de falantes anexadas ao transcript de AssemblyAI e Deepgram.
Resultados gerais
| Sistema | Arquivos | DER | Papel | RTF |
|---|---|---|---|---|
| VoicePing Diarization v0.1 | 42 | 4.01% | Modelo de diarização VoicePing | 0.024 |
| NeMo | 42 | 6.64% | Baseline NeMo Neural MSDD | 0.020 |
| pyannoteAI precision-2 | 42 | 8.55% | API comercial dedicada de diarização | 0.028 |
| AssemblyAI | 42 | xx | Rótulos de falantes anexados ao transcript | 0.049 |
| Deepgram | 41 | xx | Rótulos de falantes anexados ao transcript | 0.006 |
A manchete clara é simples: VoicePing Diarization v0.1 lidera o benchmark controlado, seguido por NeMo e depois pyannoteAI precision-2. A API dedicada de diarização continua próxima o suficiente para ser uma comparação externa séria. As linhas anexadas ao transcript aparecem como contexto, enquanto a comparação central de precisão permanece entre VoicePing Diarization v0.1, NeMo e pyannoteAI precision-2.
A visão de componentes inclui as cinco linhas públicas. VoicePing Diarization v0.1, NeMo e pyannoteAI precision-2 mostram seus rótulos principais de DER ao lado dos segmentos de miss, false alarm e speaker-confusion. AssemblyAI e Deepgram aparecem como linhas de contexto speaker-attributed transcript com segmentos proporcionais e rótulos masked DER.
Resultados por idioma
| Idioma | VoicePing Diarization v0.1 | NeMo | pyannoteAI precision-2 | AssemblyAI | Deepgram |
|---|---|---|---|---|---|
| Inglês | 3.54% | 4.50% | 4.40% | 21.73% | 8.23% |
| Japonês | 3.79% | 7.30% | 10.87% | xx | 28.76% |
| Coreano | 4.08% | 10.86% | 11.21% | xx | xx |
| Vietnamita | 4.12% | 5.56% | 7.95% | xx | xx |
| Mandarim | 4.37% | 5.10% | 7.98% | 25.78% | 11.67% |
| Misto, 5 idiomas | 3.50% | 7.53% | 16.54% | xx | xx |
| Misto, 4 idiomas | 4.14% | 4.59% | 4.62% | xx | xx |
Por idioma, VoicePing Diarization v0.1 é a linha mais forte em todos os sete grupos de idioma desta tabela pública. NeMo continua sendo uma baseline aberta útil; esta linha usa NeMo Neural MSDD. pyannoteAI precision-2 é consistentemente viável entre idiomas, mas fica atrás do VoicePing Diarization v0.1 em todos os grupos aqui.
As linhas de API contam outra história. Deepgram e AssemblyAI são referências úteis para transcritos com atribuição de falantes, mas a tabela pública mostra por que eles não devem ser apresentados como substitutos diretos de diarização para timelines multilíngues de falantes.
Cenários e aprendizados sobre áudio curto
A visão por cenário deve ser lida segmento por segmento, não como uma única média de toda a suíte. VoicePing Diarization v0.1 é mais forte no grupo base de 5 minutos, com 3.92% DER, permanece em valores medianos de um dígito em áudio de 2 minutos com 6.04%, áudio de 5 minutos sem sobreposição com 5.93% e áudio de 30 minutos com 7-9 falantes com 5.57%, depois sobe em grupos de reunião mais difíceis: 8.23% para 5 minutos com 30% de sobreposição, 8.69% para 5 minutos com 7-9 falantes e 8.28% para áudio de 60 minutos.
Para planejamento de produto, isso significa separar três perguntas. Primeiro, qual pipeline de diarização é mais forte para reuniões completas? Segundo, qual modelo de embedding é robusto quando cada falante tem pouca fala? Terceiro, como a pipeline completa de produção se comporta após refinamento MSDD e correspondência de identidade de falantes? Este post responde apenas à primeira parte na camada de segmentação.
A velocidade continua favorável para sistemas locais. A exportação full-suite PC-54 relata VoicePing Diarization v0.1 em 0.024 RTF, perto de NeMo em 0.020 RTF e pyannoteAI precision-2 em 0.028 RTF. Os tempos de API incluem comportamento do provedor e devem ser lidos como contexto operacional, não como benchmark normalizado por hardware. O gráfico de velocidade mantém AssemblyAI e Deepgram como contexto API masked DER para manter a comparação de tempo focada no contexto operacional.
APIs anexadas ao transcript: úteis, mas diferentes
Deepgram e AssemblyAI anexam rótulos de falantes à saída de transcrição. Isso é útil quando o usuário precisa de um transcrito com atribuição de falante, mas não é o mesmo que diarizar a timeline completa do áudio. Se a fala não é transcrita, ou se o transcrito é instável em um idioma, a timeline de falantes herda essa limitação.
AssemblyAI se comporta de forma mais acústica que Deepgram, mas algumas linhas ainda estão mascaradas na tabela pública. Neste artigo, os dois provedores permanecem na metodologia, na visão geral e nas visões por idioma porque são referências comuns no caminho de compra, não porque sejam os concorrentes mais fortes de diarização.
O que isso significa para a VoicePing
Este artigo apresenta o resultado de benchmark selecionado da VoicePing como VoicePing Diarization v0.1. Isso mantém a narrativa focada na identidade do modelo voltada ao cliente, em vez de nomes de experimentos internos. VoicePing Diarization v0.1 lidera o benchmark, e a comparação séria a observar é pyannoteAI precision-2.
Isso não reduz a importância do diagnóstico interno contínuo. A diarização de produção é apenas uma etapa: alinhamento de transcrito, segmentação de falantes e depois correspondência de identidade de falantes contra vozes conhecidas do workspace. Essa etapa final transforma rótulos anônimos no mesmo nome de colega entre reuniões, algo que as APIs benchmarkadas não fornecem. O próximo follow-up público deve avaliar a pipeline completa de produção, não apenas esta linha isolada de segmentação.
É também por isso que o artigo evita publicar anedotas instáveis de clips curtos como ratios. Arquivos curtos podem expor modos de falha reais, mas precisam de um teste de aceitação separado com exemplos suficientes para evitar overfitting da narrativa a um único cenário. A questão de produção não é apenas se o segmentador vence em um corpus controlado; é se usuários veem consistentemente nomes corretos de falantes, turnos estáveis e transcritos úteis em reuniões ao vivo, chamadas enviadas e pequenos trechos de voz.
Limitações e conclusão
A principal limitação é o conjunto de avaliação. Conversas sintéticas dão referências exatas, mas são mais limpas que reuniões reais e vêm de um domínio relacionado aos nossos dados de treino. A timeline também é próxima de fala contínua de ponta a ponta, então o comportamento de false alarm não é pressionado o bastante. Um conjunto real multi-falante fora do domínio, incluindo gravações com sobreposição mais difícil, ainda é necessário antes de afirmações finais de produção.
Dentro desses limites, a conclusão principal é: VoicePing Diarization v0.1 lidera o benchmark de 42 arquivos, pyannoteAI precision-2 é a linha de API comercial dedicada a observar, e produtos speaker-attributed transcript devem permanecer referências qualitativas onde houver células mascaradas. O próximo trabalho deve focar em identidade de modelo de produção, comportamento em áudio curto e um benchmark de pipeline de produção ponta a ponta.
