En la referencia telefónica CALLHOME, el mismo sistema de diarización de extremo a extremo que obtiene 8,50% de DER en llamadas de dos hablantes obtiene 40,29% en llamadas de seis (Horiguchi et al., EEND-EDA, Interspeech 2020). La diarización de hablantes es el paso del «quién habló y cuándo»: divide una grabación en tramos y etiqueta cada uno con un hablante, antes o junto con la transcripción. En referencias seleccionadas ha mejorado rápido, con el DER mediano de DIHARD Track 1 bajando de más del 30% en DIHARD I a menos del 20% en DIHARD III (Ryant et al., Tercer Desafío DIHARD 2021), pero el audio de una cena entre amigos aún produjo un DER base de 62,0% en CHiME-6 (Watanabe et al., resumen del desafío CHiME-6 2020). Reunimos datos de los organizadores de los desafíos DIHARD y VoxSRC, de los desafíos CHiME-6, NOTSOFAR-1 y DISPLACE, de la referencia de diarización de 2025 de ETH Zúrich, de la Brno University of Technology, de las fichas de modelo del proyecto pyannote y de estudios clínicos revisados por pares. Para el lado a nivel de palabra del mismo pipeline, consulta nuestro resumen sobre el sesgo de acento en el reconocimiento de voz y la tasa de error de palabras.
Una nota para leer cada cifra siguiente: el DER (tasa de error de diarización) es mejor cuanto más bajo, y solo es comparable cuando dos resultados comparten la misma referencia, el mismo «collar» (una breve ventana de tolerancia, sin puntuación, alrededor de cada cambio de hablante) y la misma regla sobre el habla superpuesta. Cada tabla indica la configuración cuando la fuente lo hace.
TL;DR
- El DER en CALLHOME sube de 8,50% con 2 hablantes a 40,29% con 6 hablantes en el mismo sistema (Horiguchi et al., Interspeech 2020).
- El DER mediano de DIHARD Track 1 bajó de más del 30% (DIHARD I) a 25% (DIHARD II) y a menos del 20% (DIHARD III) (Ryant et al., Tercer Desafío DIHARD 2021).
- Los ganadores de VoxSRC obtuvieron 3,71% de DER en 2020 y 4,30% en 2023 en audio de YouTube, aproximadamente la mitad de la línea base cada año (Huh et al., retrospectiva de VoxSRC, IEEE TASLP 2024).
- Quitar el collar de 0,25 s eleva el DER de AMI de 9,8% a 15,4% en el mismo sistema (Han et al., Brno University of Technology 2024).
- Más del 33% de los errores en datos de reuniones del NIST con un solo micrófono caen a menos de 0,5 s de un cambio de hablante (Knox, UC Berkeley 2013).
- En promedio, entre el 12% y el 15% del habla en grabaciones de reuniones está superpuesta (Park et al., Computer Speech and Language 2022).
- Los diálogos médico-paciente promediaron 33,38% de DER frente a 15,18% de la conversación general en ocho sistemas (Okocha et al., 2025).
- La línea base de CHiME-6, con cenas entre amigos, obtuvo 62,0% de DER en el conjunto de evaluación (Watanabe et al., resumen de CHiME-6 2020).
- El mejor sistema de reuniones de NOTSOFAR-1 redujo la tasa de error de palabras con atribución de hablante a 10,8% desde una línea base de 28,3% (Abramovski et al., resumen de NOTSOFAR-1 2025).
- El modelo más rápido de una referencia de 2025 procesó audio 214,3 veces más rápido que el tiempo real (Lanzendoerfer et al., ETH Zúrich 2025).
1. Qué Mide el DER y Por Qué la Configuración de Puntuación Mueve la Cifra
El DER suma tres tipos de tiempo y divide por la cantidad total de habla de referencia: habla omitida (alguien habló, el sistema oyó silencio), falsa alarma (el sistema marcó habla donde no la había) y confusión de hablantes (se detectó el habla pero se asignó a la persona equivocada). La ficha de modelo de pyannote 3.1 muestra la aritmética con claridad: en el audio de diadema de AMI, su DER de 18,8% es 3,6% de falsa alarma más 9,5% de habla omitida más 5,7% de confusión.
La trampa mayor es la ventana de tolerancia (collar). Desde las evaluaciones NIST Rich Transcription, la mayoría de los artículos ignora 0,25 s a cada lado de cada límite de referencia, porque los anotadores humanos rara vez coinciden en el milisegundo exacto en que empieza un turno. Esa única decisión elimina 5,6 puntos, o el 36% de la cifra sin collar: el mismo sistema de la Brno University of Technology obtiene 15,4% en AMI sin collar y 9,8% con collar (Han et al., 2024). La zona perdonada es justo donde los sistemas más fallan, ya que un tercio o más de todos los errores están a menos de medio segundo de un cambio de hablante (Knox, informe técnico de UC Berkeley 2013).
| Métrica | Valor | Fuente |
|---|---|---|
| Ventana de tolerancia (collar) estándar sin puntuación alrededor de cada límite de segmento de referencia (puntuación estilo RT) | 0,25 s, descrita como el esquema más utilizado | Park et al., Computer Speech and Language 2022 |
| Regla de puntuación de DIHARD y CHiME-6 | Sin collar, habla superpuesta puntuada | Park et al., Computer Speech and Language 2022 |
| DER en AMI, sistema de BUT basado en WavLM, sin collar vs collar de 0,25 s | 15,4% vs 9,8% | Han et al., Brno University of Technology 2024 |
| DER en AliMeeting, mismo sistema, sin collar vs collar de 0,25 s | 17,6% vs 10,2% | Han et al., Brno University of Technology 2024 |
| DER en AMI, línea base pyannote 3, sin collar vs collar de 0,25 s | 21,1% vs 13,7% | Han et al., Brno University of Technology 2024 |
| Proporción de errores a menos de 0,5 s de un cambio de hablante, reuniones NIST RT-09, un solo micrófono distante vs varios | Más del 33% vs 40% | Knox, UC Berkeley 2013 |
| DER en AMI con mezcla de diademas, pyannote 3.1, desglosado en falsa alarma + habla omitida + confusión | 18,8% = 3,6% + 9,5% + 5,7% (informado por el proyecto) | pyannote, ficha de modelo de speaker-diarization-3.1 |
Contexto: el análisis de errores de Berkeley es el dato más reciente disponible sobre la posición de los errores (Knox, UC Berkeley 2013). La referencia de ETH de 2025 apunta en la misma dirección: el habla omitida fue el tipo de error dominante en la mayoría de los modelos, y los autores atribuyen los segmentos omitidos, que promedian unos 350 ms, al momento de inicio y fin del habla y no a enunciados completos que no se oyeron (Lanzendoerfer et al., Benchmarking Diarization Models 2025).
2. Estado del Arte por Referencia y Qué Tan Rápido Ha Bajado el DER
El progreso es real, pero específico de cada referencia. En DIHARD, una mezcla deliberadamente difícil de 11 dominios, el DER mediano de Track 1 bajó de más del 30% a menos del 20% a lo largo de tres ediciones (Ryant et al., The Third DIHARD Diarization Challenge 2021). Track 1 (categoría del desafío) entrega a los sistemas las regiones reales de habla; Track 2 los obliga a encontrar el habla por sí solos, y por eso sus cifras son más altas.
En audio de YouTube de estilo broadcast, los ganadores de VoxSRC rondan el 4%, aproximadamente la mitad de la línea base de los organizadores cada año (Huh et al., The VoxCeleb Speaker Recognition Challenge: A Retrospective, IEEE TASLP 2024). Los ganadores de 2020 y 2023 no forman una serie temporal, sin embargo: el conjunto de prueba pasó de 232 archivos a 413, así que una cifra ligeramente mayor en 2023 no significa que el campo haya retrocedido.
| Métrica | Valor | Fuente |
|---|---|---|
| DER mediano de DIHARD Track 1 (regiones reales de habla dadas), DIHARD I vs II vs III | Más del 30% vs 25% vs menos del 20% | Ryant et al., Tercer Desafío DIHARD 2021 |
| DER mediano de DIHARD Track 2 (el sistema detecta el habla por sí mismo), DIHARD I vs III | 40% vs menos del 25% | Ryant et al., Tercer Desafío DIHARD 2021 |
| Ganador de DIHARD III (USTC-NELSLIP), conjunto de evaluación principal, Track 1 vs Track 2 | 13,45% vs 19,37% (sin collar, superposición puntuada) | Resultados del desafío DIHARD III |
| Pista de diarización de VoxSRC, conjunto de prueba de 2020, ganador vs línea base | 3,71% vs 8,15% (collar de 0,25 s, superposición puntuada) | Huh et al., retrospectiva de VoxSRC 2024 |
| Pista de diarización de VoxSRC, conjunto de prueba de 2023, ganador vs línea base | 4,30% vs 8,54% (collar de 0,25 s, superposición puntuada) | Huh et al., retrospectiva de VoxSRC 2024 |
| DER en CALLHOME, todas las llamadas, EEND-EDA de extremo a extremo vs agrupamiento por x-vector | 15,29% vs 19,43% (collar de 0,25 s) | Horiguchi et al., Interspeech 2020 |
| DER promedio del sistema del ICSI en reuniones NIST RT-09, un solo micrófono distante | 31,3% | Sinclair y King, Universidad de Edimburgo 2013 |
Contexto: el DER del ganador de DIHARD III en el conjunto de evaluación completo fue de 11,3% en Track 1 y 16,78% en Track 2, frente a una línea base de 20,65% y 27,34% en el conjunto principal (resultados del desafío DIHARD III). La cifra de RT-09 es el dato más reciente disponible para esa evaluación (Sinclair y King, Where are the challenges in speaker diarization? 2013), y proviene de datos y de una época distintos a los de DIHARD, por lo que no debe leerse como una comparación directa de antes y después.
3. Habla Superpuesta y Número de Hablantes: los Dos Mayores Factores del DER
La superposición no es un caso marginal. En promedio, entre el 12% y el 15% del habla en grabaciones de reuniones está superpuesta, y la revisión que recopiló esta cifra señala que puede subir más en la conversación cotidiana (Park et al., A Review of Speaker Diarization, Computer Speech and Language 2022). Los pipelines de agrupamiento más antiguos dan a cada instante exactamente un hablante, así que en una superposición de dos personas al menos la mitad del tiempo puntuado es erróneo antes de que ocurra cualquier otro error.
El número de hablantes agrava el problema. En CALLHOME, el mismo modelo EEND-EDA pasa de 8,50% de DER en llamadas de dos hablantes a 40,29% en llamadas de seis (Horiguchi et al., EEND-EDA, Interspeech 2020), y los modelos con un límite fijo de hablantes pagan dos veces: la familia Sortformer, limitada a cuatro hablantes, mostró más confusión de hablantes en grabaciones concurridas en la referencia de ETH. La captación con varios micrófonos ayuda, como muestran los resultados de reuniones de NOTSOFAR-1 en la sección 5, un patrón también visible en nuestros datos sobre beamforming de campo lejano y precisión de la palabra de activación.
| Métrica | Valor | Fuente |
|---|---|---|
| Proporción promedio de habla superpuesta en grabaciones de reuniones | 12% a 15% | Park et al., Computer Speech and Language 2022 |
| Proporción promedio de superposición: AliMeeting vs AMI vs CALLHOME vs VoxConverse | 19% vs 15,94% vs 12,58% vs 3,52% | Lanzendoerfer et al., ETH Zúrich 2025 |
| DER en CALLHOME, EEND-EDA, llamadas con 2 vs 3 vs 4 hablantes | 8,50% vs 13,24% vs 21,46% | Horiguchi et al., Interspeech 2020 |
| DER en CALLHOME, EEND-EDA, llamadas con 5 vs 6 hablantes | 33,16% vs 40,29% | Horiguchi et al., Interspeech 2020 |
| DER en CALLHOME, agrupamiento por x-vector, llamadas con 2 vs 6 hablantes | 15,45% vs 34,27% | Horiguchi et al., Interspeech 2020 |
| DER en grabaciones de 4 hablantes: Sortformer (límite de 4 hablantes) vs DiariZen | 21,3% vs 12,7% (collar de 0,25 s, superposición puntuada) | Lanzendoerfer et al., ETH Zúrich 2025 |
| Promedio de hablantes por grabación, conjunto de prueba de VoxSRC 2020 | 6,5 hablantes en un promedio de 675,6 s | Huh et al., retrospectiva de VoxSRC 2024 |
Contexto: el número de hablantes por sí solo no decide la puntuación. En la referencia de ETH, el mejor sistema obtuvo 6,6% en grabaciones con 5 o más hablantes pero 10,1% en las de 4, un recordatorio de que la superposición y las condiciones de grabación importan tanto como el número de personas. Los resultados de CALLHOME con 5 y 6 hablantes también se apoyan en pocos archivos: los autores de EEND-EDA señalan que CALLHOME tiene solo diez grabaciones con más de cuatro hablantes.
4. Brechas de Dominio: Audio Clínico, Infantil, Multilingüe y en Condiciones Reales
Un modelo ajustado a reuniones y llamadas telefónicas no traslada su precisión a una clínica, un hogar o un video en línea. En ocho sistemas de diarización, los diálogos médico-paciente promediaron 33,38% de DER frente a 15,18% de las conversaciones generales, una brecha de 18,20 puntos porcentuales (prueba t pareada p < 10⁻⁴), y las falsas alarmas causaron la mayor parte de la penalización clínica (Okocha et al., Domain-Aware Speaker Diarization on African-Accented English 2025). El ajuste fino con habla acentuada redujo a la mitad el error de un modelo abierto, pero la brecha clínica se redujo en lugar de desaparecer.
Los niños son una frontera aparte. En el estudio de BabyHuBERT, las grabaciones de día completo centradas en el niño se puntúan por tipo de hablante (niño principal, otros niños, hombres adultos, mujeres adultas) con una puntuación F1, en la que más alto es mejor, y el mejor modelo de 2026 aún queda por debajo de un segundo anotador humano (Charlot et al., BabyHuBERT 2026). DIHARD III señaló la misma debilidad, destacando a los niños en entrevistas clínicas como un desafío particular.
| Métrica | Valor | Fuente |
|---|---|---|
| DER mediano de DIHARD III Track 1, dominios de reunión, video web y restaurante | 35% a 45% | Ryant et al., Tercer Desafío DIHARD 2021 |
| DER de DIHARD III, entrevistas clínicas y habla telefónica, Track 1 vs Track 2 | En general 10% a 20% vs 15% a 25% | Ryant et al., Tercer Desafío DIHARD 2021 |
| DER promedio en 8 sistemas, diálogos médico-paciente vs generales en inglés con acento africano | 33,38% vs 15,18% (sin collar, superposición puntuada) | Okocha et al., 2025 |
| DER de pyannote antes vs después del ajuste fino con habla con acento africano, diálogos médicos | 31,46% vs 15,73% | Okocha et al., 2025 |
| Grabaciones centradas en el niño, F1 promedio entre tipos de hablante: LENA vs BabyHuBERT-VTC vs segundo anotador humano | 40,8% vs 65,1% vs 69,8% (más alto es mejor) | Charlot et al., BabyHuBERT 2026 |
| DER en las referencias de video en condiciones reales Ego4D (desarrollo) y AVA-AVD, pyannote community-1 | 46,8% y 44,6% (informado por el proyecto, sin collar) | pyannote, ficha de modelo de community-1 2025 |
| DER por idioma en los conjuntos de datos de la referencia de ETH, mejor sistema (pyannoteAI), español vs inglés | 14,3% vs 6,6% | Lanzendoerfer et al., ETH Zúrich 2025 |
| Conversaciones multilingües indias (DISPLACE), DER del mejor equipo sobre los mismos datos de evaluación, 2023 vs 2024 | 27,8% vs 21,27% | Kalluri et al., Segundo Desafío DISPLACE 2024 |
Contexto: los datos de DISPLACE abarcan 9 idiomas de la India más inglés indio, con 3 a 5 participantes por sesión (Kalluri et al., The Second DISPLACE Challenge 2024). Los autores de ETH vinculan la brecha entre idiomas con la escasez de datos de algunos de ellos y señalan el español como el más difícil de los cinco que probaron.
5. Implementaciones en el Mundo Real: Reuniones, Centros de Llamadas y Clínicas
En producción, los errores de diarización aparecen como líneas de la transcripción atribuidas a la persona equivocada, y por eso los estudios de reuniones y médicos suelen informar métricas a nivel de palabra. Aparecen dos a continuación: tcpWER, una tasa de error de palabras que además cuenta las palabras atribuidas al hablante equivocado dentro de una ventana de tiempo, y WDER, la proporción de palabras con la etiqueta de hablante equivocada. Uno de los entornos más difíciles jamás evaluados es la cena entre amigos: la línea base de CHiME-6 obtuvo 62,0% de DER en su conjunto de evaluación, y los organizadores atribuyen alrededor de 15% absoluto de la brecha de tasa de error de palabras entre sus categorías principalmente a la diarización (Watanabe et al., CHiME-6 Challenge overview 2020).
Las reuniones de oficina son más manejables. En NOTSOFAR-1, construido con 315 reuniones reales de 4 a 8 participantes cada una en 30 entornos, el mejor sistema multicanal alcanzó 10,8% de tcpWER (Abramovski et al., Summary of the NOTSOFAR-1 Challenge, Computer Speech and Language 2025). La transcripción jurídica tiene sus propias exigencias de etiquetado de hablantes, tratadas en nuestras estadísticas de precisión de la transcripción de voz en tribunales, y los errores de texto que se suman a los errores de hablante se tratan en nuestros datos sobre alucinaciones en el reconocimiento de voz.
| Métrica | Valor | Fuente |
|---|---|---|
| DER base de CHiME-6 con cenas entre amigos, conjunto de desarrollo vs evaluación | 61,6% vs 62,0% | Watanabe et al., resumen de CHiME-6 2020 |
| Brecha de tasa de error de palabras entre categorías de CHiME-6 atribuida principalmente a la diarización | Alrededor de 15% absoluto | Watanabe et al., resumen de CHiME-6 2020 |
| Transcripción de reuniones de NOTSOFAR-1, tcpWER del mejor sistema vs línea base, multicanal | 10,8% vs 28,3% | Abramovski et al., resumen de NOTSOFAR-1 2025 |
| Transcripción de reuniones de NOTSOFAR-1, tcpWER del mejor sistema vs línea base, canal único | 22,2% vs 41,4% | Abramovski et al., resumen de NOTSOFAR-1 2025 |
| DER en CALLHOME telefónico, community-1 abierto vs precision-2 comercial | 26,7% vs 16,6% (informado por el proveedor, sin collar) | pyannote, ficha de modelo de community-1 2025 |
| WDER en cuatro modelos de voz comerciales, 36 conversaciones de atención primaria | 1,8% a 13,9% | Tran et al., AMIA Annual Symposium 2022 |
| WDER en conversaciones médico-paciente, pipeline convencional vs modelo conjunto de reconocimiento y diarización | 15,8% vs 2,2% | El Shafey et al., Interspeech 2019 |
Contexto: las grabaciones de atención primaria fueron recreadas por dos hablantes nativos de inglés en un estudio silencioso, por lo que los autores describen sus cifras como un probable límite superior del desempeño en clínicas reales (Tran et al., AMIA Annual Symposium Proceedings 2022). El resultado del modelo conjunto es el dato más reciente disponible de un corpus que no es público (El Shafey et al., Interspeech 2019). La cifra de precision-2 es la afirmación del propio proveedor sobre su modelo comercial.
6. Velocidad, Modelos Abiertos y Escala de la Investigación
La precisión es solo la mitad de una decisión de implementación. El sistema más rápido de la referencia de ETH funcionó 214,3 veces más rápido que el tiempo real, más de diez veces la velocidad del modelo abierto DiariZen, que funcionó a 20,2 veces el tiempo real y obtuvo 13,3% de DER global (Lanzendoerfer et al., ETH Zúrich 2025). Ese equilibrio pesa mucho más en los subtítulos en vivo que en un trabajo por lotes nocturno.
Los modelos abiertos se usan ampliamente. Los pipelines de pyannote muestran millones de descargas mensuales, y la referencia de septiembre de 2025 del propio proyecto informa un DER menor para su versión abierta actual que para la anterior en la mayoría de los conjuntos de datos, con su nivel comercial por delante de ambas (pyannote, ficha de modelo de speaker-diarization-community-1). Trata esas puntuaciones como informadas por el proyecto: las ejecuta el mismo equipo que distribuye los modelos.
| Métrica | Valor | Fuente |
|---|---|---|
| Factor de tiempo real (duración del audio dividida por el tiempo de procesamiento), Sortformer v2 vs Sortformer v2 en streaming | 214,3x vs 209,5x | Lanzendoerfer et al., ETH Zúrich 2025 |
| Factor de tiempo real, pyannote abierto vs DiariZen | 45,0x vs 20,2x | Lanzendoerfer et al., ETH Zúrich 2025 |
| DER global en la referencia de ETH, pyannoteAI vs DiariZen | 11,2% vs 13,3% (collar de 0,25 s, superposición puntuada) | Lanzendoerfer et al., ETH Zúrich 2025 |
| DER en DIHARD 3 completo, pyannote 3.1 vs community-1 vs precision-2 | 21,4% vs 20,2% vs 14,7% (informado por el proyecto y el proveedor, sin collar) | pyannote, ficha de modelo de community-1 2025 |
| Descargas mensuales en Hugging Face, pyannote speaker-diarization-3.1 vs community-1 | 6.886.119 vs 5.051.937 (consultado en octubre de 2026) | Páginas de modelos de Hugging Face |
| Datos de entrenamiento simulados de NOTSOFAR-1 entregados a los participantes | Unas 1.000 horas | Abramovski et al., resumen de NOTSOFAR-1 2025 |
| Tamaño del AMI Meeting Corpus | 100 horas, cerca de dos tercios de reuniones de diseño interpretadas | Universidad de Edimburgo, AMI Meeting Corpus |
Contexto: el AMI Meeting Corpus, todavía una referencia central de diarización, registra micrófonos de cercanía y de campo lejano de forma sincronizada (Universidad de Edimburgo, AMI Meeting Corpus). La referencia de ETH no pudo medir la velocidad de pyannoteAI porque solo había acceso por API.
Resumen: Tasa de Error de Diarización de Hablantes en Cifras
| Métrica | Valor | Fuente |
|---|---|---|
| DER en CALLHOME, EEND-EDA, 2 vs 6 hablantes (collar de 0,25 s) | 8,50% vs 40,29% | Horiguchi et al., Interspeech 2020 |
| DER en CALLHOME, EEND-EDA vs agrupamiento por x-vector, todas las llamadas | 15,29% vs 19,43% | Horiguchi et al., Interspeech 2020 |
| DER mediano de DIHARD Track 1, DIHARD I vs III | Más del 30% vs menos del 20% | Ryant et al., Tercer Desafío DIHARD 2021 |
| Ganador de DIHARD III, conjunto de evaluación principal, Track 1 vs Track 2 | 13,45% vs 19,37% | Resultados del desafío DIHARD III |
| Ganador de VoxSRC vs línea base, conjunto de prueba de 2023 | 4,30% vs 8,54% | Huh et al., retrospectiva de VoxSRC 2024 |
| DER en AMI, mismo sistema, sin collar vs collar de 0,25 s | 15,4% vs 9,8% | Han et al., Brno University of Technology 2024 |
| Errores a menos de 0,5 s de un cambio de hablante, NIST RT-09, un solo micrófono distante | Más del 33% | Knox, UC Berkeley 2013 |
| DER del sistema del ICSI, NIST RT-09, un solo micrófono distante | 31,3% | Sinclair y King, Universidad de Edimburgo 2013 |
| Proporción superpuesta del habla en grabaciones de reuniones | 12% a 15% | Park et al., Computer Speech and Language 2022 |
| Proporción de superposición, AliMeeting vs AMI | 19% vs 15,94% | Lanzendoerfer et al., ETH Zúrich 2025 |
| DER de diálogos médico-paciente vs generales, promedio de 8 sistemas | 33,38% vs 15,18% | Okocha et al., 2025 |
| Grabaciones centradas en el niño, F1 promedio, mejor modelo vs segundo anotador humano | 65,1% vs 69,8% | Charlot et al., BabyHuBERT 2026 |
| DER del mejor equipo de DISPLACE, 2023 vs 2024 | 27,8% vs 21,27% | Kalluri et al., Segundo Desafío DISPLACE 2024 |
| DER base de CHiME-6 con cenas entre amigos, conjunto de evaluación | 62,0% | Watanabe et al., resumen de CHiME-6 2020 |
| tcpWER del mejor sistema de NOTSOFAR-1 vs línea base, multicanal | 10,8% vs 28,3% | Abramovski et al., resumen de NOTSOFAR-1 2025 |
| Rango de WDER, cuatro modelos de voz comerciales, atención primaria | 1,8% a 13,9% | Tran et al., AMIA Annual Symposium 2022 |
| Descargas mensuales de pyannote 3.1 en Hugging Face | 6.886.119 | Hugging Face, página del modelo pyannote speaker-diarization-3.1 |
Metodología y Fuentes
- Ryant et al., The Third DIHARD Diarization Challenge (2021): 11 dominios, medianas entre las ediciones de DIHARD, rangos por dominio, puntuación sin collars y con superposición.
- Resultados del desafío DIHARD III: clasificación oficial de Track 1 y Track 2, conjuntos de evaluación principal y completo.
- Huh et al., The VoxCeleb Speaker Recognition Challenge: A Retrospective (IEEE TASLP 2024): ganadores y líneas base de la pista de diarización, collar de 0,25 s con superposición puntuada.
- Horiguchi et al., End-to-End Speaker Diarization for an Unknown Number of Speakers with Encoder-Decoder Based Attractors (Interspeech 2020): DER en CALLHOME según el número de hablantes.
- Han et al., Leveraging Self-Supervised Learning for Speaker Diarization (Brno University of Technology, 2024): resultados con collar de 0 s vs 0,25 s en AMI, AISHELL-4 y AliMeeting.
- Lanzendoerfer et al., Benchmarking Diarization Models (ETH Zúrich, 2025): unas 196,6 horas entre CALLHOME, VoxConverse, AMI y AliMeeting; proporciones de superposición, DER por idioma y por número de hablantes, velocidad.
- Park et al., A Review of Speaker Diarization: Recent Advances with Deep Learning (Computer Speech and Language, 2022): convenciones de collar y proporción de superposición en reuniones.
- Knox, Speaker Diarization: Current Limitations and New Directions (informe técnico de UC Berkeley, 2013): posición de los errores respecto a los cambios de hablante en NIST RT-09.
- Sinclair y King, Where are the challenges in speaker diarization? (Universidad de Edimburgo, 2013): DER en reuniones de RT-09.
- Watanabe et al., CHiME-6 Challenge overview (2020): DER base con cenas entre amigos y la parte de la diarización en la brecha de error de palabras.
- Abramovski et al., Summary of the NOTSOFAR-1 Challenge (Computer Speech and Language, 2025): conjunto de datos de reuniones y resultados de tcpWER.
- Kalluri et al., The Second DISPLACE Challenge (2024): resultados de diarización de conversaciones multilingües.
- Okocha et al., Domain-Aware Speaker Diarization on African-Accented English (2025): DER clínico vs general en ocho sistemas.
- Charlot et al., BabyHuBERT (2026): segmentación de hablantes en grabaciones largas centradas en el niño.
- Tran et al., Automatic speech recognition performance for digital scribes (AMIA Annual Symposium Proceedings, 2022): WDER en conversaciones de atención primaria.
- El Shafey et al., Joint Speech Recognition and Speaker Diarization via Sequence Transduction (Interspeech 2019): WDER en conversaciones médico-paciente.
- pyannote, ficha de modelo de speaker-diarization-3.1 y pyannote, ficha de modelo de speaker-diarization-community-1: DER informado por el proyecto (sin collar, superposición puntuada), recuentos de descargas; las cifras de precision-2 son afirmaciones del propio proveedor sobre un modelo comercial.
- Universidad de Edimburgo, AMI Meeting Corpus: tamaño del corpus y configuración de grabación.
- Nota sobre los datos: los valores de DER solo son comparables dentro de una misma referencia y una misma configuración de puntuación; VoxSRC usa un collar de 0,25 s mientras que DIHARD, las fichas de modelo de pyannote y el estudio clínico con acento africano no usan ninguno, así que no compares los 4,30% de VoxSRC con los 13,45% de DIHARD. La ficha de modelo de pyannote 3.1 indica 21,7% en DIHARD 3 completo mientras que la ficha más nueva de community-1 indica 21,4% para el mismo pipeline anterior, una pequeña discrepancia por actualizaciones de la evaluación; usamos la tabla de community-1 para las comparaciones entre versiones. Las filas de 2021 y 2022 de la retrospectiva de VoxSRC son internamente inconsistentes entre su tabla y su texto, así que informamos solo 2020 y 2023. La tabla de error por componente del estudio clínico con acento africano no suma exactamente su DER médico declarado, así que citamos solo los promedios principales. El resumen de NOTSOFAR-1 etiqueta de forma inconsistente en una tabla sus mejores resultados de canal único y multicanal; seguimos el texto, cuya mejora relativa de 51% coincide con las cifras anteriores. Los recuentos de descargas de Hugging Face son una instantánea mensual móvil y cambian a diario. Las cifras de Berkeley, Edimburgo, CHiME-6, DIHARD III, EEND-EDA, Interspeech 2019 y AMIA 2022 son los datos más recientes disponibles para sus mediciones específicas.
- Última actualización: 27 de octubre de 2026. Actualizamos este informe trimestralmente, y la próxima revisión se espera cuando se publiquen los artículos de resumen de los desafíos de Interspeech 2026 y la próxima actualización de la referencia en las fichas de modelo de pyannote.