話者分離で本当に効くのは「モデルの精度」ではなく「ASRの発話粒度」だった（SpeechAnalyzerの日本語では発話の71%が複数話
この記事で分かること
話者分離の精度向上にはモデル性能よりもASRの発話粒度が重要で、日本語では発話の71%が複数話者を含むことが判明した。発話単位を短く区切ることで話者混在を減らし、分離精度が大幅に改善する。具体的には、ASRのVAD設定で発話の最小長を短く調整するだけで効果が得られる。
詳細要約
話者分離の精度を上げるには、モデル性能よりもASR（音声認識）の発話区切り方（発話粒度）が重要で、日本語では発話の71%が複数話者を含むため、適切な粒度設定が効果を左右する。実際の利用では、ASRの出力単位を短く区切る設定（例：発話長の上限を数秒に制限）を試すと、話者混在を減らせる。また、話者数が不明な場面では、発話粒度を調整した上でクラスタリング数を多めに設定し、後処理で統合する判断材料とすると良い。