一段问诊录音里，AI不仅要听清说了什么，还得分清哪句话是谁说的。若把医生的话算到患者头上，后续病历整理就可能从源头错位。这次，Omi 的 MajesticAd2862 把 Nemotron 3、Pyannote、Sortformer 和 VibeVoice 放到同一批 15 段模拟医患对话上测试，共约 2.4 小时；系统事先不知道有两个人，更接近真实使用。
评测采用 DER——漏掉、误收或分错说话人的时长占比，越低越好，并统一允许句子边界有 ±250 毫秒偏差。作者报告，批处理时 Pyannote Precision-3 的 DER 最低，为 2.891%；Nemotron 3 为 4.803%，但每段仅需 0.688 秒，是本地模型中最快。作为对照，Sortformer v1 为 6.778%，VibeVoice-ASR 为 8.233%。
这组结果比通用榜单更贴近语音 Agent 的实际取舍：最准确和最快并非同一个模型。不过样本只有 15 段，参考标注经过 VAD（语音活动检测）修整；作者还在同一数据上调过自有运行时，因此其优化后成绩不宜视作独立验证。说话人分离也只标出“说话人 A、B”，不会自动认出谁是医生、谁是患者。