Der Reddit-Nutzer GotHereLateNameTaken arbeitet mit stundenlangen Beratungsaufnahmen und setzt seit mehreren Monaten vibevoice als ASR-Lösung ein – mit zufriedenstellenden Ergebnissen, aber erkennbaren Grenzen bei Rechenaufwand und Genauigkeit. Er sucht nach Alternativen, die Speaker Diarisation – also die automatische Trennung und Zuordnung von Gesprächsteilnehmern – nativ oder zuverlässig kombinierbar anbieten. Als Ausgangspunkt verweist er auf das Hugging Face Open ASR Leaderboard (hf-audio/open_asr_leaderboard), das verschiedene ASR-Modelle anhand standardisierter Metriken vergleicht. Das Leaderboard bewertet primär Transkriptionsgenauigkeit (WER), bildet aber Diarisation-Fähigkeiten nicht direkt ab – weshalb der Nutzer zusätzlich manuell hochbewertete Repositories auf Diarisation-Support prüft. Speaker Diarisation ist besonders bei mehrsprecherigen Aufnahmen wie Arzt-Patienten-Gesprächen oder Beratungssitzungen entscheidend, da ohne sie Transkripte nicht auswertbar sind. Die Community-Anfrage zielt darauf ab, Praxiserfahrungen zu sammeln, die reine Benchmark-Tabellen nicht liefern – etwa zu Latenz, Integrationskomplexität oder Qualität bei Überlappungen mehrerer Sprecher.