話者分離（話者ダイアライゼーション）とは？

話者分離（話者ダイアライゼーション）は、音声認識の中で「誰がいつ話したか」を判定する処理です。録音を声ごとの区間に分け、話者1、話者2のようにラベルを付けます。これにより、インタビューや会議の文字起こしが一続きのテキストではなく、話者ごとの発言として表示されます。

例

話者分離なし:
じゃあどこから始めますかローンチ計画はまず価格からですなるほど

話者分離あり:
話者1 · 00:00:02  じゃあ、どこから始めますか？
話者2 · 00:00:04  ローンチ計画はまず価格からです。
話者1 · 00:00:07  なるほど。

仕組み

音声を短い断片に区切り、それぞれを声の特徴（声紋）に変換し、似た特徴をまとめて話者に分けます。そのうえで、文字起こしを単語単位でそのグループに対応付けます。

話者分離がわかるのは2つの声が違うということだけで、それが誰の声かはわかりません。名前はユーザーが付けます。話者1を一度「アンナ」に変えれば、その人の発言すべてに反映されます。

発言が重なるとき、「うん」のようなごく短い返事、似た声、一部の話者から離れた1本のマイク。録音に何人いるかを指定すると、声を正しくまとめやすくなります。

複数人に対応できますが、人数が増え、発言が短くなるほど精度は下がります。クリアな録音で2〜5人が最も適しています。

はい。話者分離は言葉ではなく声を聞き分けるので、どの言語でも同じように機能します。

声が似ているか、離れた1本のマイクを共用しているためです。話者数を指定するか、エディタでラベルを修正してください。