临床对话 diarization 模型横评：Pyannote Precision-3 误差最低，Nemotron 3 速度领先
作者在 15 段模拟医患对话上对比了 Pyannote、Nemotron 3、Sortformer、VibeVoice…
来自 Omi 团队的开发者近日在 Reddit 上发布了一项说话人 diarization（说话人归属）模型对比测试，在 15 段模拟医患对话（来自公开数据集 PriMock57，共约 2.4 小时）上系统比较了 Pyannote、Nemotron 3、Sortformer、VibeVoice-ASR 和 Meta Muse Voice Transcribe 等模型的表现。测试统一采用自动判定说话人数（不预先告知模型对话双方为两人），边界容忍度设为 ±250 ms，并以 Diarization Error Rate（DER）为主要指标，数值越低代表效果越好。
离线批处理结果
Pyannote Precision-3 以 2.891% 的 DER 取得最低误差，但平均每段录音处理时间约 18.9 秒。NVIDIA 的 Nemotron 3 紧随其后，DER 为 4.803%，且在单张 NVIDIA L4 GPU 上每段录音仅需 0.688 秒，是所有本地模型中最快的。
其余模型的表现如下：
- Pyannote Community-1：DER 6.620%，处理时间 18.691 秒/段
- Sortformer v1：DER 6.778%，处理时间 3.869 秒/段
- Sortformer v2.1：DER 7.974%，处理时间 1.077 秒/段
- VibeVoice-ASR：DER 8.233%，处理时间 123 秒/段（同时执行转写）
- Meta Muse Voice Transcribe：DER 13.042%，处理时间 92 秒/请求（受 10 分钟单次请求限制，被拆分为 20 个片段分别处理，结果不构成完整录音级对比）
API 调用时间包含网络往返开销。
流式场景表现
在流式推理测试中，Pyannote 实时 API 的 DER 为 3.959%，Nemotron 3 为 4.971%，Sortformer v2.1 为 6.958%。VibeVoice 的两个版本（1.5B 和 7B）DER 分别达到 17.210% 和 18.032%，与离线批处理相比下降明显。
作者特别说明，Nemotron 3 与 Sortformer v2.1 使用的是原生流式预设，通过「不按时间推进的完整文件回放」评估；其余模型采用按节奏输出说话人结果的方式，因此这些分数并不能直接反映真实在线延迟。Meta Muse 未参与流式测试。
自研推理运行时带来的额外提升
作者还在不改动模型权重的前提下，使用 Omi 自有的推理运行时对 Nemotron 3 和 Pyannote Community-1 进行了优化：
- Nemotron 3：DER 从 4.803% 降至 3.174%，相对误差降低 34%，速度提升至 2.13 倍
- Community-1：DER 从 6.620% 降至 5.435%，相对误差降低 18%，速度提升至 24 倍
不过在零边界容忍度下，Nemotron 3 的运行时分反而从 12.720% 上升到 13.203%。作者承认测试样本量较小，且参考标注经过了 VAD（语音活动检测）精修，运行时的调参也在该数据集上完成，存在一定的过拟合风险。
可复现性
作者表示，测试所用的音频、参考标注、打分脚本、推理输出以及 NVIDIA 基线运行脚本均已开源，便于社区复现与重新打分。其自研运行时的代码保持闭源，但最终输出已一并发布以便独立评分。