Исследователь сравнил модели распознавания говорящего для голосовых ИИ-агентов

В работе, опубликованной 9 ноября 2026 года на arXiv (Cornell University), Абхишек Гаутам описывает сравнение открытых моделей для распознавания говорящего в голосовых ИИ-агентах реального времени. Статья относится к категории cs.CL.

Исследователь проверил пять моделей на контролируемом наборе и взвешенном наборе производственных данных с человеческой разметкой. В контролируемом тесте к записям реальных звонков добавляли голос второго человека в интервалы тишины.

Автор сообщает, что шумоподавление перед обработкой голоса обычно ухудшало показатели, как и сокращение аудио относительно полного фрагмента с речью. По его оценке, для этой задачи примерно половина представления голоса модели TitaNet была избыточной. На основе результатов автор предлагает использовать исходное аудио и полные фрагменты с речью, а также сокращать представления для удешевления поиска похожих голосов.