跨会议说话人归属评测：ThyVoice 以 47.13 的平均 SI-cpWER 领先全部商业级联，而单场最优的 ElevenLabs 在 CHiME-6 上归属误差增加约 30 个百分点

论文提出 SI-cpWER，即在整份语料上使用一个全局说话人 ID 映射计算的 cpWER，用来衡量同一人是否在多次会议中保持同一身份。 既有会议转写指标要么忽略说话人，要么在每段录音内独立重映射匿名说话人，因此无法度量跨会议的身份一致性；SI-cpWER 把身份持久性直接纳入评分。 在 129 场 NOTSOFAR 评测会议（12 位互斥测试说话人、13.34 小时、188,036 个计分参考词、约 30% 重叠语音）以及 CHiME-6 两个远场会话（56,886 参考词）上，以匈牙利求解器做全局一对一分配，样本边界保持不变。

在持久归属指标下商业系统排名发生变化：ThyVoice 在干净、加噪、CHiME-6 三种条件下 SI-cpWER 均低于所有被评测的商业级联，全组平均 47.13 对次优的 54.75。 按单场 cpWER 排名时 ElevenLabs 在每种条件下都是商业系统中最优，但这一优势并未延续到跨会议归属；SE-DiCoW 在两个 NOTSOFAR 条件下领先全组，ThyVoice 则在 CHiME-6 上领先。 主表给出各系统三条件数值与均值；ElevenLabs 在 CHiME-6 上 SI-cpWER 比其单场 cpWER 高约 30.0 个百分点，而 ThyVoice 仅高 1.5 个百分点。

分层诊断把最终归属记录的上游误差面拆开：词级识别、局部说话人活动、单场归属与说话人聚类各自约束最终结果。 论文不只报告一个端到端分数，而是同时给出 WER、DER/JER、IAR、身份计数与聚类纯度/覆盖率/重叠召回等互补证据，说明身份层可用的证据面如何影响持久归属。 ThyVoice 的 DiariZen md-v2 组件在每种条件下 DER/JER 最低（干净 18.32/23.65），其聚类纯度 96.2%、覆盖率 95.2%、重叠召回 78.5%；而只输出每词一个说话人的接口重叠召回为 0.0%，无法从时间信息中剔除隐藏重叠。

重叠处理策略的消融显示，把重叠音频用于转写与用于身份证据是两个不同决策：在 20 场干净 NOTSOFAR 子集上，分离加流重匹配取得最低 cpWER 34.39 与 SI-cpWER 32.73，而用含混音音频做身份匹配的 SI-cpWER 升至 67.76。 该子集对比把“重叠是否可用于身份注册”从“重叠是否可用于识别”中分离出来，指向身份证据门控而非单纯识别质量。 四种重叠策略在同一 20 场子集、同一池化注册流程下对比；作者说明该子集提供方向性证据，不确立全语料上的效应大小。

该评测面向把会议音频转成可长期查询记录的语音系统，适用于英语、单通道、无预注册说话人名册的设定：NOTSOFAR 提供自然办公会议与跨会议持久的参与者别名，CHiME-6 提供真实远场晚宴会话。SI-cpWER 与分层诊断可直接用于比较不同 diarize-then-identify 级联与端到端系统在身份持久性上的表现，也可用于检验重叠修复与注册证据门控这类设计选择。作者指出后续应在真实多日使用中评测反复出现的说话人，并衡量归属错误是否改变被检索的事实、摘要、决定或行动项归属。

持久性是通过按固定顺序串行处理录音、共享同一声纹库来模拟的，而非观察同一批人跨天真实复现，因此结果刻画的是该固定序列下的身份一致性，长期时间尺度与录音顺序鲁棒性仍是开放问题。诊断指标各自评分该系统可获得的组件或提供方输出面，并非统一接口，跨层数值不可相加。加噪条件为确定性增强而非真实部署采集，CHiME-6 仅两个会话，多语言与语码转换尚未覆盖。ThyVoice 的注册消融与提供方池化对比为单次、非配对运行，ElevenLabs 的重复抽样显示 SI-cpWER 在加噪条件下存在 6.80 的波动范围，因此这些对比应作描述性证据看待。此外，归属错误在任务层面的实际代价——即是否真的把事实或承诺挂到错误的人身上——论文明确留作未来工作。