Speaker diarization
"Vem talade när?" — segmentera audio och tilldela varje segment till en specifik talare utan att veta vilka talarna är på förhand.
Två steg: (1) Voice Activity Detection (VAD — vilka segment är tal), (2) speaker embedding + clustering (gruppera segment som hör till samma röst). Pyannote.audio (Hervé Bredin, open source, Hugging Face) är de facto-toolkitet. NVIDIA NeMo, AssemblyAI, Deepgram erbjuder också. Vanlig pairing med Whisper för "transcribed + diarized": WhisperX, faster-whisper + pyannote. Driver mötesprotokoll-appar (Otter.ai, Fireflies, Granola, Read.ai), podcast-transkriptions-tjänster.