Diaryzacja mówców
„Kto mówił i kiedy?” — podział nagrania na odcinki i przypisanie każdego do konkretnego mówcy, bez wcześniejszej wiedzy o tym, kim są mówcy.
Dwa kroki: (1) wykrywanie aktywności głosowej (VAD — które fragmenty to mowa), (2) osadzenia mówców i klasteryzacja (grupowanie fragmentów należących do tego samego głosu). De facto standardem jest pyannote.audio (Hervé Bredin, open source, Hugging Face). Diaryzację oferują też NVIDIA NeMo, AssemblyAI i Deepgram. Typowe połączenie z Whisperem dla „transkrypcji z podziałem na mówców”: WhisperX, faster-whisper + pyannote. Napędza aplikacje do protokołów ze spotkań (Otter.ai, Fireflies, Granola, Read.ai) oraz usługi transkrypcji podcastów.