Kezek、二人の会話録音を学習用の話者別音声へ分離 ↗
Kezekは、全二重会話AIの学習データを作る話者分離モデル。二人のモノラル録音を、時間位置を保った話者別トラックに分ける。録音全体で話者と発話区間を決め、その結果を条件に音声を分離する。著者のOpen Yap評価では、RTX PRO 6000の1 GPU時間当たり音声231時間を処理し、比較したpyannote→DialogueSidonの51時間に対して約4.5倍だった。小声が重なる箇所には取りこぼしがあり、英語で検証したオフライン処理向け。コードと重みを公開している。

