米Googleの研究チームは、会議や対話の音声認識・文字起こしにおいて最大の難所とされる「話者分離（誰がいつ発言したかの特定）」を高精度に行う特化型オープンモデル「DiarizationLM-Gemma-4-E4B-v1」をHugging Face上で公式公開しました。
従来の音声話者分離は音響的特徴（声紋）に依存していたため、声が似ている話者や発言が重なる（オーバーラップ）場面で判定ミスが頻発していました。DiarizationLMは、Googleのオープンウェイトモデル「Gemma 4（4B）」をベースにファインチューニングされており、音響情報に加えて対話の言語的文脈（会話の流れや呼応関係）をLLMが統合的に判断することで、発言者の切り替わりを高精度に識別します。
本モデルの最大の特徴は、既存のASR（自動音声認識）システム本体を一切変更・再学習することなく、テキスト出力の直後に挿入する「ポストプロセッサー（後処理）」として機能する点です。これにより、既存の文字起こしインフラを活かしたまま、話者誤認エラー率（WDER）を劇的に改善できます（一次ソース：Hugging Face Google DiarizationLM Model / Google Research Official Blog）。