VoicePing Diarization v0.1 是一个多语言说话人分离模型。本次在 42 个文件的基准中与 NeMo、pyannoteAI precision-2、AssemblyAI 和 Deepgram 进行比较。
介绍 VoicePing Diarization v0.1
VoicePing Diarization v0.1 是我们首次公开发布的说话人分离模型：它面向多语言会议进行说话人分段，用来识别谁在什么时候发言，并为后续的说话人身份匹配做准备。
本文通过 2026 年 7 月的一项 42 文件多语言基准介绍该模型。NeMo、pyannoteAI precision-2、AssemblyAI 和 Deepgram 也作为评估背景纳入其中，帮助读者理解 VoicePing Diarization v0.1 相对于常见开源方案和商业说话人标注方案的位置。
有一点需要说明：VoicePing Diarization v0.1 是所选基准行的公开模型身份，并不是对生产模型注册表的实时检查。生产模型选择由运行时配置控制，生产系统还包含该纯说话人分离基准之外的下游说话人身份匹配。
评估设置
该基准包含 42 个文件、约 10.5 小时音频：英语、日语、韩语、越南语和普通话五个单语集合，以及两个代码切换的多语言文件。场景从 30 秒到 1 小时不等，包含 2-9 名说话人和 0-30% 的重叠语音。
这些文件是由真实单人录音拼接成的合成对话。因此它们拥有精确的参考标签和可重复的评分，但也比许多真实会议更干净。结果应被视为受控基准，而不是域外会议评估的替代品。
评估集有意比原始内部导出更窄。NeMo 作为主要本地开源基线，使用重新运行产物中的 NeMo Neural MSDD 结果。pyannoteAI precision-2 作为最清晰的专用商业说话人分离服务。Deepgram 和 AssemblyAI 被纳入，是因为采购者在评估带说话人转写时经常比较它们，但被遮蔽的单元格不用于直接的标题排名。
方法细节：DER 使用 pyannote.metrics 风格的说话人分离错误率计算，采用 fair collar，计入重叠语音，并按语料时长加权聚合。2026 年 7 月的研究评估导出使用了 voiceping-inc/titanet Hugging Face 快照（titanet_finetuned.nemo）中的 VoicePing Diarization v0.1 基准行、NeMo Neural MSDD 基线、pyannoteAI precision-2，以及 AssemblyAI 和 Deepgram 的 transcript 附带说话人标签输出。
整体结果
| 系统 | 文件 | DER | 角色 | RTF |
|---|---|---|---|---|
| VoicePing Diarization v0.1 | 42 | 4.01% | VoicePing 说话人分离模型 | 0.024 |
| NeMo | 42 | 6.64% | NeMo Neural MSDD 基线 | 0.020 |
| pyannoteAI precision-2 | 42 | 8.55% | 专用商业说话人分离 API | 0.028 |
| AssemblyAI | 42 | xx | transcript 附带说话人标签 | 0.049 |
| Deepgram | 41 | xx | transcript 附带说话人标签 | 0.006 |
清晰的结论很简单：VoicePing Diarization v0.1 在受控基准中领先，之后是 NeMo，再之后是 pyannoteAI precision-2。专用说话人分离 API 的表现足够接近，是值得认真关注的外部比较对象。transcript 附带行作为背景保留，而核心准确率比较仍然是 VoicePing Diarization v0.1、NeMo 和 pyannoteAI precision-2。
组件视图包含所有五个公开行。VoicePing Diarization v0.1、NeMo 和 pyannoteAI precision-2 在漏检、误报和说话人混淆分段旁显示其标题 DER 标签。AssemblyAI 和 Deepgram 作为 transcript 附带背景行展示，带有成比例的组件分段和 masked DER 标签。
按语言划分的结果
| 语言 | VoicePing Diarization v0.1 | NeMo | pyannoteAI precision-2 | AssemblyAI | Deepgram |
|---|---|---|---|---|---|
| 英语 | 3.54% | 4.50% | 4.40% | 21.73% | 8.23% |
| 日语 | 3.79% | 7.30% | 10.87% | xx | 28.76% |
| 韩语 | 4.08% | 10.86% | 11.21% | xx | xx |
| 越南语 | 4.12% | 5.56% | 7.95% | xx | xx |
| 普通话 | 4.37% | 5.10% | 7.98% | 25.78% | 11.67% |
| 混合，5 种语言 | 3.50% | 7.53% | 16.54% | xx | xx |
| 混合，4 种语言 | 4.14% | 4.59% | 4.62% | xx | xx |
从语言维度看，VoicePing Diarization v0.1 在该公开表的七个语言分组中都是最强的一行。NeMo 仍是有用的开源基线；这一行使用的是 NeMo Neural MSDD。pyannoteAI precision-2 在各语言上都稳定可用，但在这里每个分组都落后于 VoicePing Diarization v0.1。
API 行讲述的是另一件事。Deepgram 和 AssemblyAI 是带说话人转写的有用参考，但公开表也说明，为什么不应把它们作为多语言说话人时间线的直接说话人分离替代品来呈现。
场景和短音频观察
场景视图应按分段读取，而不是作为单一的套件平均值。VoicePing Diarization v0.1 在 5 分钟基础分组上最强，DER 为 3.92%；在 2 分钟音频上为 6.04%，5 分钟无重叠音频上为 5.93%，30 分钟 7-9 人音频上为 5.57%，都保持在中个位数。随后在更困难的会议分组上上升：30% 重叠的 5 分钟音频为 8.23%，7-9 人的 5 分钟音频为 8.69%，60 分钟音频为 8.28%。
对产品规划而言，这意味着应区分三个问题。第一，哪条说话人分离流水线在完整会议上最强？第二，当每位说话人的语音很少时，哪个嵌入模型更稳健？第三，在 MSDD 优化和说话人身份匹配之后，完整生产流水线表现如何？本文只回答分段层面的第一个问题。
本地系统的速度仍然有优势。PC-54 全套件导出报告 VoicePing Diarization v0.1 为 0.024 RTF，接近 NeMo 的 0.020 RTF 和 pyannoteAI precision-2 的 0.028 RTF。API 计时包含提供商行为，应作为运营背景读取，而不是硬件归一化基准。速度图将 AssemblyAI 和 Deepgram 保留为 masked DER API 背景，使计时比较继续聚焦于运营语境。
transcript 附带 API：有用，但不同
Deepgram 和 AssemblyAI 会给转写输出附加说话人标签。当用户需要带说话人的转写时，这很有用，但它不同于对整段音频时间线做说话人分离。如果语音没有被转写，或某种语言的转写不稳定，说话人时间线也会继承这种限制。
AssemblyAI 的行为比 Deepgram 更偏声学，但公开表中仍有一些行被遮蔽。在本文中，两家提供商都保留在方法论、整体视图和语言视图中，因为它们是常见的采购路径参考，而不是因为它们是最强的说话人分离竞争者。
这对 VoicePing 意味着什么
本文将选定的 VoicePing 基准结果呈现为 VoicePing Diarization v0.1。这样可以把叙事聚焦在面向客户的模型身份上，而不是内部实验名称。VoicePing Diarization v0.1 领先该基准，而值得持续关注的严肃比较对象是 pyannoteAI precision-2。
这并不会降低持续内部诊断的重要性。生产说话人分离只是一个阶段：转写对齐、说话人分段，然后是针对已知工作区声音的说话人身份匹配。最后这一阶段会把匿名标签变成跨会议一致的同事姓名，而本次基准中的 API 不提供这一能力。下一篇公开后续文章应评估完整生产流水线，而不只是这个孤立的分段行。
这也是本文避免把不稳定短片段轶事发布为比例的原因。短文件可以暴露真实失败模式，但需要有足够样本的单独验收测试，以免把故事过度拟合到一个场景。生产问题不只是分段器是否在受控语料上获胜，而是用户是否能在实时会议、上传通话和短语音片段中持续看到正确的说话人姓名、稳定的轮次和有用的转写。
局限与结论
主要局限是评估集。合成对话给出精确参考，但比真实会议更干净，并且来自与训练数据相关的领域。时间线也接近连续语音，因此对误报行为的压力不够。要提出最终生产结论，仍需要真实的域外多说话人集合，包括更困难的重叠语音录音。
在这些限制内，主要结论是：VoicePing Diarization v0.1 领先 42 文件基准；pyannoteAI precision-2 是值得关注的专用商业 API 行；在出现遮蔽单元格的地方，transcript 附带产品应作为定性参考保留。下一步应聚焦于生产模型身份、短音频行为，以及端到端生产流水线基准。
