CALLHOMEの電話通話ベンチマークでは、2人通話でDER 8.50%を記録する同じエンドツーエンドの話者ダイアライゼーションシステムが、6人通話では40.29%を記録する(Horiguchi ほか、EEND-EDA、Interspeech 2020)。話者ダイアライゼーション(話者分離)は「誰がいつ話したか」を判定する工程であり、録音をいくつかの区間に分け、文字起こしの前、または文字起こしと並行して、各区間に話者のラベルを付ける。選別されたベンチマークでは急速に改善しており、DIHARDのトラック1の誤りの中央値はDIHARD Iの30%超からDIHARD IIIの20%未満にまで低下した(Ryant ほか、Third DIHARD Challenge 2021)。しかし、ディナーパーティの音声ではCHiME-6のベースラインDERが依然として62.0%にとどまった(Watanabe ほか、CHiME-6チャレンジ概要 2020)。本稿では、DIHARDとVoxSRCのチャレンジ主催者、CHiME-6、NOTSOFAR-1、DISPLACEの各チャレンジ、ETH Zurichの2025年のダイアライゼーションベンチマーク、Brno University of Technology、pyannoteプロジェクトのモデルカード、査読済みの臨床研究のデータを集約した。同じパイプラインの単語レベルの側面については、音声認識のアクセントバイアスと単語誤り率のまとめを参照してほしい。
以下のすべての数値を読む際の注意：DER(話者ダイアライゼーション誤り率)は低いほど良く、2つの結果が同じベンチマーク、同じ許容区間(collar、話者交代の前後に設ける採点対象外の短い区間)、そして重複発話に関する同じ規則を共有している場合にのみ比較できる。各表には、情報源が示している場合に限り、その設定を記載している。
主なポイント
- 同一システムのCALLHOMEのDERは、話者2人の8.50%から話者6人の40.29%に上昇する(Horiguchi ほか、Interspeech 2020)。
- DIHARDトラック1のDERの中央値は、30%超(DIHARD I)から25%(DIHARD II)、20%未満(DIHARD III)に低下した(Ryant ほか、Third DIHARD Challenge 2021)。
- VoxSRCの優勝システムはYouTube音声で2020年に3.71%、2023年に4.30%のDERを記録し、いずれの年もベースラインの約半分だった(Huh ほか、VoxSRC回顧、IEEE TASLP 2024)。
- 0.25 sの許容区間を外すと、同一システムのAMIでのDERは9.8%から15.4%に上昇する(Han ほか、Brno University of Technology 2024)。
- 単一マイクのNIST会議データでは、誤りの33%超が話者交代から0.5 s以内に発生している(Knox、UC Berkeley 2013)。
- 会議録音では発話の平均12%から15%が重複している(Park ほか、Computer Speech and Language 2022)。
- 医師と患者の対話の平均DERは、8システムで一般会話の15.18%に対して33.38%だった(Okocha ほか、2025)。
- CHiME-6のディナーパーティのベースラインは、評価セットでDER 62.0%だった(Watanabe ほか、CHiME-6概要 2020)。
- NOTSOFAR-1の最良の会議システムは、話者帰属単語誤り率をベースラインの28.3%から10.8%に引き下げた(Abramovski ほか、NOTSOFAR-1概要 2025)。
- 2025年のベンチマークで最速のモデルは、音声をリアルタイムの214.3倍の速さで処理した(Lanzendoerfer ほか、ETH Zurich 2025)。
1. DERが測るもの、そして採点設定で数値が変わる理由
DERは3種類の時間を合計し、参照発話の総量で割る。検出漏れ(誰かが話していたのに、システムは無音と判断した)、誤検出(発話がない箇所をシステムが発話と判定した)、話者の取り違え(発話は検出されたが、誤った人物に割り当てられた)の3つである。pyannote 3.1のモデルカードはこの計算をわかりやすく示している。AMIのヘッドセット音声では、18.8%のDERは誤検出3.6%、検出漏れ9.5%、取り違え5.7%の合計である。
より大きな落とし穴は許容区間だ。NIST Rich Transcription評価以来、ほとんどの論文はすべての参照境界の両側0.25 sを無視する。人間のアノテーターが、発話が始まる正確なミリ秒について一致することはまれだからだ。この選択だけで5.6ポイント、つまり許容区間なしの数値の36%が消える。Brno University of Technologyの同一システムは、AMIで許容区間なしでは15.4%、ありでは9.8%となる(Han ほか、2024)。許容される区間こそ、システムが最も失敗する場所である。すべての誤りの3分の1以上が、話者交代から0.5秒以内にあるためだ(Knox、UC Berkeley技術報告書 2013)。
| 指標 | 値 | 出典 |
|---|---|---|
| 各参照セグメント境界の前後に設ける標準的な採点対象外の許容区間(RT方式の採点) | 0.25 s、最も広く使われている方式と説明されている | Park ほか、Computer Speech and Language 2022 |
| DIHARDとCHiME-6の採点規則 | 許容区間なし、重複発話を採点対象とする | Park ほか、Computer Speech and Language 2022 |
| AMIのDER、BUTのWavLMベースのシステム、許容区間なし対0.25 sの許容区間 | 15.4%対9.8% | Han ほか、Brno University of Technology 2024 |
| AliMeetingのDER、同一システム、許容区間なし対0.25 sの許容区間 | 17.6%対10.2% | Han ほか、Brno University of Technology 2024 |
| AMIのDER、pyannote 3のベースライン、許容区間なし対0.25 sの許容区間 | 21.1%対13.7% | Han ほか、Brno University of Technology 2024 |
| 話者交代から0.5 s以内にある誤りの割合、NIST RT-09会議、単一の遠距離マイク対複数の遠距離マイク | 33%超対40% | Knox、UC Berkeley 2013 |
| AMIヘッドセットミックスのDER、pyannote 3.1、誤検出+検出漏れ+取り違えに分解 | 18.8% = 3.6% + 9.5% + 5.7%(プロジェクト報告値) | pyannote、speaker-diarization-3.1モデルカード |
背景：Berkeleyの誤り分析は、誤りの位置に関して入手可能な最新のデータである(Knox、UC Berkeley 2013)。2025年のETHベンチマークも同じ方向を示している。ほとんどのモデルで最も多い誤りの種類は検出漏れであり、平均約350 msの見逃し区間について、著者らは発話全体が聞き取られなかったのではなく、開始と終了のタイミングに起因するものとしている(Lanzendoerfer ほか、Benchmarking Diarization Models 2025)。
2. ベンチマーク別の最新水準と、DERが低下してきた速さ
進歩は本物だが、ベンチマークごとに異なる。意図的に難しく設計された11ドメインの混合であるDIHARDでは、トラック1のDERの中央値は3つの版を通じて30%超から20%未満に低下した(Ryant ほか、The Third DIHARD Diarization Challenge 2021)。トラック1ではシステムに本当の発話区間が与えられ、トラック2ではシステム自身が発話を見つけなければならないため、数値は高くなる。
放送スタイルのYouTube音声では、VoxSRCの優勝システムは約4%で、いずれの年も主催者のベースラインの約半分にあたる(Huh ほか、The VoxCeleb Speaker Recognition Challenge: A Retrospective、IEEE TASLP 2024)。ただし2020年と2023年の優勝システムは時系列ではない。テストセットが232ファイルから413ファイルに増えているため、2023年の数値がやや高いからといって、この分野が後退したわけではない。
| 指標 | 値 | 出典 |
|---|---|---|
| DIHARDトラック1のDER中央値(本当の発話区間を付与)、DIHARD I対II対III | 30%超対25%対20%未満 | Ryant ほか、Third DIHARD Challenge 2021 |
| DIHARDトラック2のDER中央値(システム自身が発話を検出)、DIHARD I対III | 40%対25%未満 | Ryant ほか、Third DIHARD Challenge 2021 |
| DIHARD III優勝システム(USTC-NELSLIP)、コア評価セット、トラック1対トラック2 | 13.45%対19.37%(許容区間なし、重複発話を採点対象) | DIHARD IIIチャレンジ結果 |
| VoxSRCダイアライゼーショントラック、2020年テストセット、優勝システム対ベースライン | 3.71%対8.15%(0.25 sの許容区間、重複発話を採点対象) | Huh ほか、VoxSRC回顧 2024 |
| VoxSRCダイアライゼーショントラック、2023年テストセット、優勝システム対ベースライン | 4.30%対8.54%(0.25 sの許容区間、重複発話を採点対象) | Huh ほか、VoxSRC回顧 2024 |
| CALLHOMEのDER、全通話、エンドツーエンドのEEND-EDA対x-vectorクラスタリング | 15.29%対19.43%(0.25 sの許容区間) | Horiguchi ほか、Interspeech 2020 |
| NIST RT-09会議でのICSIシステムの平均DER、単一の遠距離マイク | 31.3% | Sinclair、King、University of Edinburgh 2013 |
背景：DIHARD III優勝システムの全評価セットでのDERは、トラック1で11.3%、トラック2で16.78%で、コアセットでのベースラインは20.65%と27.34%だった(DIHARD IIIチャレンジ結果)。RT-09の数値はこの評価について入手可能な最新のデータであり(Sinclair、King、Where are the challenges in speaker diarization? 2013)、DIHARDとは異なるデータと異なる時代のものであるため、直接の前後比較として読むべきではない。
3. 重複発話と話者数：DERを左右する二大要因
重複発話は例外的なケースではない。会議録音では発話の平均12%から15%が重複しており、この数値をまとめたレビューは、日常会話ではさらに高くなりうると指摘している(Park ほか、A Review of Speaker Diarization、Computer Speech and Language 2022)。従来のクラスタリング型パイプラインは各瞬間にちょうど1人の話者を割り当てるため、2人が重複する場面では、ほかの誤りが起きる前に、採点対象時間の少なくとも半分がすでに誤りとなる。
話者数が問題をさらに悪化させる。CALLHOMEでは、同じEEND-EDAモデルのDERが話者2人の通話の8.50%から話者6人の通話の40.29%に上昇する(Horiguchi ほか、EEND-EDA、Interspeech 2020)。話者数に厳格な上限があるモデルは二重に不利になる。4人までに制限されたSortformerファミリーは、ETHベンチマークで人数の多い録音において話者の取り違えが多く見られた。複数マイクでの収録は有効であり、これは第5節のNOTSOFAR-1の会議結果が示しているとおりで、同様のパターンは当社の遠距離ビームフォーミングとウェイクワード精度のデータにも見られる。
| 指標 | 値 | 出典 |
|---|---|---|
| 会議録音における重複発話の平均割合 | 12%から15% | Park ほか、Computer Speech and Language 2022 |
| 平均重複率：AliMeeting対AMI対CALLHOME対VoxConverse | 19%対15.94%対12.58%対3.52% | Lanzendoerfer ほか、ETH Zurich 2025 |
| CALLHOMEのDER、EEND-EDA、話者2人対3人対4人の通話 | 8.50%対13.24%対21.46% | Horiguchi ほか、Interspeech 2020 |
| CALLHOMEのDER、EEND-EDA、話者5人対6人の通話 | 33.16%対40.29% | Horiguchi ほか、Interspeech 2020 |
| CALLHOMEのDER、x-vectorクラスタリング、話者2人対6人の通話 | 15.45%対34.27% | Horiguchi ほか、Interspeech 2020 |
| 話者4人の録音でのDER：Sortformer(話者数上限4)対DiariZen | 21.3%対12.7%(0.25 sの許容区間、重複発話を採点対象) | Lanzendoerfer ほか、ETH Zurich 2025 |
| 録音あたりの平均話者数、VoxSRC 2020テストセット | 平均675.6 sの録音で6.5人 | Huh ほか、VoxSRC回顧 2024 |
背景：話者数だけでスコアが決まるわけではない。ETHベンチマークでは、最良のシステムが5人以上の録音で6.6%だったのに対し、4人の録音では10.1%だった。これは、重複発話や録音条件が人数と同じくらい重要であることを示している。また、CALLHOMEの話者5人と6人の結果は少数のファイルに基づいている。EEND-EDAの著者らは、CALLHOMEには話者が4人を超える録音が10件しかないと述べている。
4. ドメイン間ギャップ：臨床音声、子ども、多言語、実環境の音声
会議や電話通話に合わせて調整されたモデルは、その精度を診療所、家庭、オンライン動画に持ち込めない。8つのダイアライゼーションシステムを通じて、医師と患者の対話の平均DERは33.38%で、一般会話の15.18%を上回った。差は18.20パーセントポイントである(対応のあるt検定、p < 10⁻⁴)。臨床での不利の大部分は誤検出が原因だった(Okocha ほか、Domain-Aware Speaker Diarization on African-Accented English 2025)。訛りのある音声でのファインチューニングにより、あるオープンモデルの誤りは半減したが、臨床のギャップは解消ではなく縮小にとどまった。
子どもは別のフロンティアだ。BabyHuBERTの研究では、子どもを中心とした1日がかりの録音を話者タイプ別(主対象の子ども、ほかの子ども、成人男性、成人女性)にF1スコア(高いほど良い)で評価しており、2026年の最良モデルでも2人目の人間のアノテーターには及ばない(Charlot ほか、BabyHuBERT 2026)。DIHARD IIIも同じ弱点を指摘し、臨床面接における子どもを特に難しい課題として挙げていた。
| 指標 | 値 | 出典 |
|---|---|---|
| DIHARD IIIトラック1のDER中央値、会議、ウェブ動画、レストランのドメイン | 35%から45% | Ryant ほか、Third DIHARD Challenge 2021 |
| DIHARD IIIのDER、臨床面接と電話音声、トラック1対トラック2 | 概ね10%から20%対15%から25% | Ryant ほか、Third DIHARD Challenge 2021 |
| 8システムの平均DER、医師と患者の対話対アフリカ訛りの英語の一般対話 | 33.38%対15.18%(許容区間なし、重複発話を採点対象) | Okocha ほか、2025 |
| pyannoteのDER、アフリカ訛りの音声でのファインチューニング前対後、医療対話 | 31.46%対15.73% | Okocha ほか、2025 |
| 子ども中心の録音、話者タイプ別の平均F1：LENA対BabyHuBERT-VTC対2人目の人間のアノテーター | 40.8%対65.1%対69.8%(高いほど良い) | Charlot ほか、BabyHuBERT 2026 |
| 実環境の動画ベンチマークEgo4D(dev)とAVA-AVDでのDER、pyannote community-1 | 46.8%と44.6%(プロジェクト報告値、許容区間なし) | pyannote、community-1モデルカード 2025 |
| ETHベンチマークのデータセットにおける言語別DER、最良システム(pyannoteAI)、スペイン語対英語 | 14.3%対6.6% | Lanzendoerfer ほか、ETH Zurich 2025 |
| 多言語のインドの会話(DISPLACE)、同じ評価データでの最良チームのDER、2023年対2024年 | 27.8%対21.27% | Kalluri ほか、Second DISPLACE Challenge 2024 |
背景：DISPLACEのデータは、インドの9言語とインド英語を対象とし、1セッションあたり3人から5人が参加している(Kalluri ほか、The Second DISPLACE Challenge 2024)。ETHの著者らは、言語間のギャップを一部の言語のデータ不足と関連づけ、テストした5言語の中でスペイン語が最も難しいとしている。
5. 実環境での導入：会議、コールセンター、診療所
本番環境では、ダイアライゼーションの誤りは、文字起こしの行が誤った人物の発言として扱われる形で表面化する。そのため、会議や医療の研究では単語レベルの指標が報告されることが多い。以下には2つが登場する。tcpWERは、時間窓内で誤った話者に帰属された単語も数える単語誤り率であり、WDERは誤った話者ラベルが付いた単語の割合である。これまでにベンチマークされた中で最も困難な状況の1つがディナーパーティである。CHiME-6のベースラインは評価セットでDER 62.0%を記録し、主催者は、トラック間の単語誤り率の差のうち絶対値で約15%を主にダイアライゼーションによるものとしている(Watanabe ほか、CHiME-6チャレンジ概要 2020)。
オフィスの会議はより扱いやすい。30の環境で、それぞれ4人から8人が参加した315件の実際の会議から構築されたNOTSOFAR-1では、最良のマルチチャネルシステムが10.8%のtcpWERに達した(Abramovski ほか、Summary of the NOTSOFAR-1 Challenge、Computer Speech and Language 2025)。法廷の文字起こしには話者ラベル付けにかかわる固有の重みがあり、これは当社の法廷音声文字起こしの精度統計で取り上げている。話者の誤りの上に重なるテキストの誤りについては、当社の音声認識のハルシネーションデータで扱っている。
| 指標 | 値 | 出典 |
|---|---|---|
| CHiME-6ディナーパーティのベースラインDER、開発セット対評価セット | 61.6%対62.0% | Watanabe ほか、CHiME-6概要 2020 |
| 主にダイアライゼーションに起因するとされるCHiME-6のトラック間の単語誤り率の差 | 絶対値で約15% | Watanabe ほか、CHiME-6概要 2020 |
| NOTSOFAR-1の会議文字起こし、最良システム対ベースラインのtcpWER、マルチチャネル | 10.8%対28.3% | Abramovski ほか、NOTSOFAR-1概要 2025 |
| NOTSOFAR-1の会議文字起こし、最良システム対ベースラインのtcpWER、シングルチャネル | 22.2%対41.4% | Abramovski ほか、NOTSOFAR-1概要 2025 |
| CALLHOME電話通話のDER、オープンなcommunity-1対商用のprecision-2 | 26.7%対16.6%(ベンダー報告値、許容区間なし) | pyannote、community-1モデルカード 2025 |
| 4つの商用音声モデルを通じたWDER、プライマリケアの36件の会話 | 1.8%から13.9% | Tran ほか、AMIA Annual Symposium 2022 |
| 医師と患者の会話でのWDER、従来型パイプライン対認識とダイアライゼーションの統合モデル | 15.8%対2.2% | El Shafey ほか、Interspeech 2019 |
背景：プライマリケアの録音は、静かなスタジオで英語を母語とする2人が再現したものであるため、著者らは自分たちの数値を、実際の診療所での性能の上限に近い値だと述べている(Tran ほか、AMIA Annual Symposium Proceedings 2022)。統合モデルの結果は、非公開のコーパスから得られた入手可能な最新のデータである(El Shafey ほか、Interspeech 2019)。precision-2の数値は、ベンダー自身による商用モデルの主張である。
6. 速度、オープンモデル、研究の規模
精度は導入判断の半分にすぎない。ETHベンチマークで最速のシステムは、リアルタイムの214.3倍の速さで動作した。これは、リアルタイムの20.2倍で動作し総合DER 13.3%を記録したオープンなDiariZenモデルの10倍以上の速度である(Lanzendoerfer ほか、ETH Zurich 2025)。このトレードオフは、一晩のバッチ処理よりもライブ字幕においてはるかに重くのしかかる。
オープンモデルは広く使われている。pyannoteのパイプラインは月間数百万回のダウンロードを示しており、プロジェクト自身の2025年9月のベンチマークでは、ほとんどのデータセットで現行のオープン版が旧版よりも低いDERを報告し、商用版が両方を上回っている(pyannote、speaker-diarization-community-1モデルカード)。これらのスコアはプロジェクト報告値として扱うべきである。モデルを公開しているのと同じチームが実施したものだからだ。
| 指標 | 値 | 出典 |
|---|---|---|
| リアルタイム係数(音声の長さを処理時間で割った値)、Sortformer v2対Sortformer v2ストリーミング | 214.3倍対209.5倍 | Lanzendoerfer ほか、ETH Zurich 2025 |
| リアルタイム係数、オープンなpyannote対DiariZen | 45.0倍対20.2倍 | Lanzendoerfer ほか、ETH Zurich 2025 |
| ETHベンチマーク全体の総合DER、pyannoteAI対DiariZen | 11.2%対13.3%(0.25 sの許容区間、重複発話を採点対象) | Lanzendoerfer ほか、ETH Zurich 2025 |
| DIHARD 3 fullのDER、pyannote 3.1対community-1対precision-2 | 21.4%対20.2%対14.7%(プロジェクトおよびベンダー報告値、許容区間なし) | pyannote、community-1モデルカード 2025 |
| Hugging Faceの月間ダウンロード数、pyannote speaker-diarization-3.1対community-1 | 6,886,119対5,051,937(2026年10月時点) | Hugging Faceモデルページ |
| 参加者に公開されたNOTSOFAR-1のシミュレーション学習データ | 約1,000時間 | Abramovski ほか、NOTSOFAR-1概要 2025 |
| AMI Meeting Corpusの規模 | 100時間、うち約3分の2は役割を演じた設計会議 | University of Edinburgh、AMI Meeting Corpus |
背景：AMI Meeting Corpusは、今もダイアライゼーションの中核的なベンチマークであり、近接マイクと遠距離マイクを同期して収録している(University of Edinburgh、AMI Meeting Corpus)。ETHベンチマークでは、APIアクセスしか利用できなかったため、pyannoteAIの速度は測定できなかった。
まとめ：数字で見る話者ダイアライゼーション誤り率
| 指標 | 値 | 出典 |
|---|---|---|
| CALLHOMEのDER、EEND-EDA、話者2人対6人(0.25 sの許容区間) | 8.50%対40.29% | Horiguchi ほか、Interspeech 2020 |
| CALLHOMEのDER、EEND-EDA対x-vectorクラスタリング、全通話 | 15.29%対19.43% | Horiguchi ほか、Interspeech 2020 |
| DIHARDトラック1のDER中央値、DIHARD I対III | 30%超対20%未満 | Ryant ほか、Third DIHARD Challenge 2021 |
| DIHARD III優勝システム、コア評価セット、トラック1対トラック2 | 13.45%対19.37% | DIHARD IIIチャレンジ結果 |
| VoxSRC優勝システム対ベースライン、2023年テストセット | 4.30%対8.54% | Huh ほか、VoxSRC回顧 2024 |
| AMIのDER、同一システム、許容区間なし対0.25 sの許容区間 | 15.4%対9.8% | Han ほか、Brno University of Technology 2024 |
| 話者交代から0.5 s以内の誤り、NIST RT-09、単一の遠距離マイク | 33%超 | Knox、UC Berkeley 2013 |
| ICSIシステムのDER、NIST RT-09、単一の遠距離マイク | 31.3% | Sinclair、King、University of Edinburgh 2013 |
| 会議録音における重複発話の割合 | 12%から15% | Park ほか、Computer Speech and Language 2022 |
| 重複率、AliMeeting対AMI | 19%対15.94% | Lanzendoerfer ほか、ETH Zurich 2025 |
| 医師と患者の対話対一般対話のDER、8システムの平均 | 33.38%対15.18% | Okocha ほか、2025 |
| 子ども中心の録音、平均F1、最良モデル対2人目の人間のアノテーター | 65.1%対69.8% | Charlot ほか、BabyHuBERT 2026 |
| DISPLACE最良チームのDER、2023年対2024年 | 27.8%対21.27% | Kalluri ほか、Second DISPLACE Challenge 2024 |
| CHiME-6ディナーパーティのベースラインDER、評価セット | 62.0% | Watanabe ほか、CHiME-6概要 2020 |
| NOTSOFAR-1の最良システム対ベースラインのtcpWER、マルチチャネル | 10.8%対28.3% | Abramovski ほか、NOTSOFAR-1概要 2025 |
| WDERの範囲、4つの商用音声モデル、プライマリケア | 1.8%から13.9% | Tran ほか、AMIA Annual Symposium 2022 |
| Hugging Faceにおけるpyannote 3.1の月間ダウンロード数 | 6,886,119 | Hugging Face、pyannote speaker-diarization-3.1モデルページ |
方法論と出典
- Ryant et al., The Third DIHARD Diarization Challenge (2021)：11ドメイン、DIHARD各版の中央値、ドメイン別の範囲、許容区間なしで重複発話を含む採点。
- DIHARD IIIチャレンジ結果：トラック1とトラック2の公式リーダーボード、コア評価セットと全評価セット。
- Huh et al., The VoxCeleb Speaker Recognition Challenge: A Retrospective (IEEE TASLP 2024)：ダイアライゼーショントラックの優勝システムとベースライン、0.25 sの許容区間と重複発話を採点対象とする条件。
- Horiguchi et al., End-to-End Speaker Diarization for an Unknown Number of Speakers with Encoder-Decoder Based Attractors (Interspeech 2020)：話者数別のCALLHOMEのDER。
- Han et al., Leveraging Self-Supervised Learning for Speaker Diarization (Brno University of Technology, 2024)：AMI、AISHELL-4、AliMeetingでの許容区間0 s対0.25 sの結果。
- Lanzendoerfer et al., Benchmarking Diarization Models (ETH Zurich, 2025)：CALLHOME、VoxConverse、AMI、AliMeetingにわたる約196.6時間。重複率、言語別および話者数別のDER、速度。
- Park et al., A Review of Speaker Diarization: Recent Advances with Deep Learning (Computer Speech and Language, 2022)：許容区間の慣行と会議での重複率。
- Knox, Speaker Diarization: Current Limitations and New Directions (UC Berkeley technical report, 2013)：NIST RT-09における話者交代に対する誤りの位置。
- Sinclair and King, Where are the challenges in speaker diarization? (University of Edinburgh, 2013)：RT-09会議のDER。
- Watanabe et al., CHiME-6 Challenge overview (2020)：ディナーパーティのベースラインDERと、単語誤りの差に占めるダイアライゼーションの割合。
- Abramovski et al., Summary of the NOTSOFAR-1 Challenge (Computer Speech and Language, 2025)：会議データセットとtcpWERの結果。
- Kalluri et al., The Second DISPLACE Challenge (2024)：多言語会話のダイアライゼーション結果。
- Okocha et al., Domain-Aware Speaker Diarization on African-Accented English (2025)：8システムにおける臨床対一般のDER。
- Charlot et al., BabyHuBERT (2026)：子ども中心の長時間録音における話者セグメンテーション。
- Tran et al., Automatic speech recognition performance for digital scribes (AMIA Annual Symposium Proceedings, 2022)：プライマリケアの会話におけるWDER。
- El Shafey et al., Joint Speech Recognition and Speaker Diarization via Sequence Transduction (Interspeech 2019)：医師と患者の会話におけるWDER。
- pyannote speaker-diarization-3.1モデルカードおよびpyannote speaker-diarization-community-1モデルカード：プロジェクト報告のDER(許容区間なし、重複発話を採点対象)とダウンロード数。precision-2の数値は商用モデルに関するベンダー自身の主張である。
- University of Edinburgh, AMI Meeting Corpus：コーパスの規模と録音設定。
- データウォッチ：DERの値は、同一のベンチマークと同一の採点設定の中でのみ比較できる。VoxSRCは0.25 sの許容区間を使うが、DIHARD、pyannoteのモデルカード、アフリカ訛りの臨床研究は使わないため、VoxSRCの4.30%とDIHARDの13.45%を比較してはならない。pyannote 3.1のモデルカードはDIHARD 3 fullで21.7%と記載しているのに対し、新しいcommunity-1のカードは同じ旧パイプラインについて21.4%と記載している。これは評価の更新による小さな不一致であり、バージョン比較にはcommunity-1の表を用いる。VoxSRC回顧の2021年と2022年の行は、表と本文の間で内部的に整合していないため、2020年と2023年のみを報告する。アフリカ訛りの臨床研究のコンポーネント別誤り表は、記載された医療DERと正確には合計が一致しないため、見出しの平均値のみを引用する。NOTSOFAR-1の概要は、1つの表でシングルチャネルとマルチチャネルの最良結果のラベルが一貫していない。本稿では、相対改善率51%が上記の数値と一致する本文に従う。Hugging Faceのダウンロード数は直近1か月の推移を示すスナップショットであり、毎日変わる。Berkeley、Edinburgh、CHiME-6、DIHARD III、EEND-EDA、Interspeech 2019、AMIA 2022の数値は、それぞれの具体的な測定について入手可能な最新のデータである。
- 最終更新日：2026年10月27日。当社はこのまとめを四半期ごとに更新しており、次回の更新は、Interspeech 2026のチャレンジ概要論文と、次回のpyannoteモデルカードのベンチマーク更新が公開される時期を予定している。