話者ダイアライゼーション
「誰がいつ話したか」を求める処理。話者を事前に知らなくても、音声を区間に分け、それぞれを特定の話者に割り当てる。
2段階で行う。(1) 音声区間検出（VAD：どこが発話か）、(2) 話者埋め込みとクラスタリング（同じ声の区間をまとめる）。Pyannote.audio（Hervé Bredin、オープンソース、Hugging Face）が事実上の標準ツールキットで、NVIDIA NeMo、AssemblyAI、Deepgramも提供している。Whisperと組み合わせて「文字起こし＋話者分離」を行うのが定番で、WhisperXやfaster-whisper＋pyannoteがある。議事録アプリ（Otter.ai、Fireflies、Granola、Read.ai）やポッドキャストの文字起こしサービスの中核技術。