Cos'è la speaker diarization e come funziona

Fai partire una qualsiasi registrazione in cui parlano due persone e il tuo cervello, senza alcuno sforzo, fa una cosa notevole: sa in ogni istante chi sta parlando. Alle macchine questa capacità non viene regalata. La speaker diarization è la tecnologia che la dà a un sistema di trascrizione, perché risponde alla domanda «chi ha parlato e quando?», ed è ciò che separa una trascrizione utilizzabile da un muro di testo illeggibile.

Se ti è mai capitato di usare uno strumento di trascrizione e di stupirti che distinguesse il «Parlante 1» dal «Parlante 2» per un'ora intera di conversazione, hai visto la diarizzazione all'opera. In questo articolo vediamo cos'è, come funziona, perché è più difficile di quanto sembri e come ottenere le etichette dei parlanti più pulite possibili dalle tue registrazioni.

Cos'è la speaker diarization

La speaker diarization, o diarizzazione dei parlanti, è il processo che suddivide una registrazione audio in segmenti e assegna a ciascuno un'etichetta in base a chi parla: Parlante 1, Parlante 2 e così via. Non conosce necessariamente i loro nomi (quello è un passaggio a parte), ma distingue le voci in modo affidabile e segue ciascuna lungo tutta la registrazione.

Conviene tenere separati due concetti che spesso si confondono:

• La trascrizione (il riconoscimento vocale) risponde alla domanda «cosa è stato detto?»: trasforma l'audio in parole.

• La diarizzazione risponde alla domanda «chi l'ha detto?»: attribuisce quelle parole a parlanti diversi.

Per dare senso a una trascrizione con più voci servono entrambe. La trascrizione da sola ti dà le parole, la diarizzazione dà loro una struttura. Usale insieme e ottieni una trascrizione che si legge come un copione, con ogni battuta attribuita a chi l'ha pronunciata.

Diarizzazione, identificazione del parlante e riconoscimento vocale

Questi termini vengono usati come sinonimi, ma indicano cose diverse, e chiarire la differenza toglie parecchia confusione:

• La diarizzazione distingue le voci senza sapere a chi appartengono. Stabilisce, per esempio, che ci sono tre parlanti diversi e separa i loro interventi, ma li etichetta in modo generico come Parlante 1, 2 e 3.

• L'identificazione del parlante associa una voce a un'identità nota. Partendo da un insieme di impronte vocali registrate in precedenza, può dire «questa è Maria», ma deve sapere in anticipo com'è la voce di Maria.

• Il riconoscimento vocale (o verifica del parlante) conferma se una voce appartiene davvero alla persona che dichiara di essere, come avviene nei controlli di sicurezza basati sulla voce.

Nella trascrizione, il lavoro pesante lo fa la diarizzazione. L'identificazione è un livello facoltativo in più: alcuni strumenti riescono a dedurre un nome dal contesto, ma in pratica di solito prima si diarizza e poi si sostituiscono a mano le etichette generiche con i nomi veri.

Perché conta più di quanto sembri

La diarizzazione è una di quelle funzioni che non noti quando funziona e che rimpiangi subito quando manca. Pensa alla differenza. Senza, la trascrizione di un'intervista è un unico blocco indistinto: non capisci dove finisce la domanda e dove inizia la risposta, e per trovare la frase di una certa persona devi riascoltare proprio l'audio che volevi evitare.

Con la diarizzazione, la stessa trascrizione si legge come un copione: ogni battuta ha il suo autore e puoi seguire ciascun parlante. È questa struttura a rendere le trascrizioni davvero utili per:

• Interviste e podcast, dove sapere chi ha detto cosa è il punto di tutto.

• Riunioni, dove ogni attività da svolgere va collegata a chi ne è responsabile.

• Ricerca qualitativa, dove l'analisi dipende dall'attribuire le affermazioni ai partecipanti.

• Documenti legali e medici, dove attribuire una frase alla persona sbagliata non è un errore di forma ma di sostanza.

Come funziona la speaker diarization

Per usarla non ti serve la matematica, ma avere un'idea di cosa succede aiuta a capire perché a volte fa fatica. Dietro le quinte, la diarizzazione passa per alcune fasi:

1. Rilevamento dell'attività vocale. Prima il sistema individua dove c'è effettivamente parlato, scartando silenzi, musica e rumore di fondo, così da analizzare solo le parti in cui qualcuno parla.

2. Segmentazione. L'audio viene diviso in brevi frammenti, mentre il sistema cerca i punti in cui cambia chi parla, cioè il passaggio da una voce all'altra.

3. Embedding. Ogni frammento viene convertito in un'«impronta vocale» numerica, una rappresentazione compatta che cattura le caratteristiche acustiche di una voce: altezza, timbro, ritmo.

4. Clustering. Il sistema raggruppa le impronte vocali. I frammenti che sembrano della stessa persona finiscono nello stesso gruppo e ogni gruppo diventa un parlante. È questa la fase che decide quanti parlanti ci sono.

5. Etichettatura. Infine ogni segmento riceve l'etichetta del parlante e le righe della trascrizione vengono attribuite di conseguenza.

I nomi arrivano dopo. Alcuni strumenti riescono a dedurli dal contesto, per esempio se qualcuno dice «grazie, Maria», ma di solito rinomini il Parlante 1 una volta sola e il nome si aggiorna in tutta la trascrizione.

Quanti parlanti riesce a gestire?

La diarizzazione moderna gestisce senza problemi i casi più comuni: interviste a due, panel a tre voci e piccole riunioni. La precisione è massima con poche voci ben distinte. Quando i parlanti aumentano, come in una tavola rotonda affollata o in una grande riunione piena di interruzioni, il compito si complica: ci sono più impronte vocali da tenere separate e più occasioni per unire per errore due voci simili.

Se sai quante persone ci sono nella registrazione, alcuni strumenti ti permettono di indicarlo: così la fase di clustering non deve tirare a indovinare e i risultati migliorano. Nel dubbio, un audio pulito e turni di parola chiari contano più del numero di parlanti.

Cosa rende difficile la diarizzazione

Capire dove sbaglia ti dice come ottenere risultati migliori. La diarizzazione fa più fatica con:

• Voci sovrapposte. Quando due persone parlano insieme, l'audio contiene letteralmente due voci nello stesso istante e il clustering deve districarle.

• Voci simili. Due parlanti con altezza e accento vicini, come due fratelli o due uomini della stessa età, sono più difficili da separare di una coppia molto diversa.

• Audio scadente. Rumore di fondo, eco e un unico microfono condiviso in una stanza rendono meno nitide le impronte vocali su cui si basa il sistema.

• Interventi brevissimi. Un rapido «mh-mh» o «esatto» è difficile da attribuire con sicurezza, perché c'è troppo poco audio da analizzare.

• Numero di parlanti sconosciuto. Se il sistema non sa quante persone ci sono nella stanza, deve indovinarlo, e può unire due parlanti poco loquaci in uno solo o dividere una persona in due.

Come ottenere etichette dei parlanti precise

Quasi tutte le leve sono dalla tua parte del microfono:

• Quando puoi, registra ogni parlante su una traccia separata. È il miglioramento più grande in assoluto: il sistema non deve separare voci che non sono mai state mescolate.

• Usa buoni microfoni ed evita le sovrapposizioni. Chiedi alle persone di non parlarsi sopra: aiuta la trascrizione tanto quanto la conversazione.

• Riduci il rumore di fondo prima di caricare il file. Input più pulito, separazione più pulita.

• Chiedi agli ospiti collegati da remoto di usare le cuffie. Basta questo a eliminare l'eco e i rientri audio che confondono le impronte vocali.

• Correggi le etichette una volta, all'inizio. Sistema e rinomina i parlanti appena cominci a rivedere il testo, e il resto della trascrizione eredita la correzione.

Domande frequenti

Che differenza c'è tra diarizzazione e trascrizione?

La trascrizione converte il parlato in testo: risponde a cosa è stato detto. La diarizzazione separa ed etichetta i parlanti: risponde a chi l'ha detto. Una trascrizione con più voci ha bisogno di entrambe: la trascrizione per le parole, la diarizzazione per la struttura che attribuisce ogni riga a una persona.

1. L'IA può riconoscere in automatico i parlanti per nome?

La diarizzazione etichetta i parlanti in modo generico (Parlante 1, Parlante 2), non per nome. Alcuni strumenti riescono a dedurre un nome quando viene pronunciato chiaramente nella conversazione, ma il metodo affidabile è rinominare ogni parlante una volta dopo la trascrizione: l'etichetta si aggiorna in tutto il testo.

2. Quanto è precisa la speaker diarization?

Su un audio pulito, con poche voci distinte e turni di parola chiari, è molto affidabile. La precisione cala quando le voci si sovrappongono spesso, si somigliano, la registrazione è rumorosa o parlano molte persone insieme. Migliorare le condizioni di registrazione conta molto più di qualsiasi singola impostazione.

3. La diarizzazione funziona con telefonate e riunioni?

Sì, e sono tra gli usi più comuni. I risultati migliori si ottengono quando ogni partecipante ha un segnale audio pulito; un solo microfono che riprende tutta la stanza, o più persone intorno allo stesso vivavoce, sono più difficili da separare. Se disponibili, canali audio separati per ogni partecipante danno le etichette più pulite.

4. Serve un'attrezzatura particolare per separare bene i parlanti?

Non serve nulla di specifico, ma qualche accorgimento di base aiuta molto. Un microfono discreto per ogni parlante, una stanza silenziosa e le cuffie per chi partecipa da remoto migliorano parecchio la separazione. L'obiettivo è semplicemente dare a ogni voce un segnale pulito e distinto: più chiaro è l'input, più sicuro sarà il sistema nel distinguere le voci. L'attrezzatura costosa conta molto meno che evitare eco, rumore di fondo e persone che si parlano sopra.

La diarizzazione in un flusso di trascrizione moderno

In pratica, non dovresti dover pensare a niente di tutto questo. Un buon strumento di trascrizione avvia la diarizzazione in automatico appena carichi un audio con più voci, etichetta i parlanti e ti permette di rinominarli con un clic. È così che funziona BlaBlaScribe: carica un'intervista, un panel o una riunione e in pochi minuti ottieni una trascrizione con i parlanti etichettati, in oltre 120 lingue, pronta da modificare, tradurre o trasformare in contenuti.

La tecnologia è davvero impressionante, ma il bello è che smetti di accorgertene. Ottieni semplicemente una trascrizione che si legge proprio come si è svolta la conversazione. Puoi provarla gratis sul tuo audio con più voci e vedere con quanta precisione vengono separati i parlanti.