این مدل از 8 speaker پشتیبانی می‌کنه و هم برای Real-time Audio و هم فایل‌های ضبط‌شده قابل استفاده‌ست.
توی تست Diarization-Bench بین ۱۲ سیستم رتبه اول رو گرفته و با 14.72٪ Error Rate حدود ۲۴٪ بهتر از مدل بعدی عمل کرده.
کاربردهاش هم می‌تونه شامل Meeting Transcription با اسم گوینده‌ها، Call Analytics، Voice Agents چندنفره و Real-time Captioning باشه.
اگه این مدل رو کنار یک ASR (Speech-to-Text) مدل قرار بدیم، می‌تونیم یک Transcript کامل داشته باشیم که مشخص می‌کنه هر بخش رو چه کسی گفته.
@silicon_brain | از هوش مصنوعی عقب نمانید