是否有用于语音到文本区分的说话人错误率算法？

Question

某些语音到文本服务（例如Google语音到文本）通过区分来提供说话人区分，从而尝试在单个音频记录中识别和分离多个说话人。当会议室中的多个扬声器共享一个麦克风时，通常需要这样做。

是否有一种算法和实现来计算说话人分离的正确性？

这将与Word Error Rate结合使用，后者通常用于测试基线转录的正确性。

Answer 1

在NIST-RT项目中，NIST定义的常用的误码率（DER）似乎是常用的方法。

DIHARD II: The Second DIHARD Speech Diarization Challenge中引入了Jaccard错误率（JER），这是更新的评估指标。

两个衡量这些项目的项目包括：

• https://github.com/nryant/dscore
• https://github.com/wq2012/SimpleDER

这些文件中引用了

DER：

• A Comparison of Neural Network Feature Transforms for Speaker Diarization
• The ICSI RT-09 Speaker Diarization System