Czym jest diaryzacja mówców?
Diaryzacja mówców (speaker diarization) to etap rozpoznawania mowy, który ustala, kto mówił i kiedy. Dzieli nagranie na fragmenty według głosów i oznacza je jako Mówca 1, Mówca 2 itd., dzięki czemu transkrypcja wywiadu czy spotkania pokazuje wypowiedzi każdej osoby zamiast jednego bloku tekstu.
Bez diaryzacji:
To od czego zaczynamy plan premiery zaczyna się od cen dobra.
Z diaryzacją:
Mówca 1 · 00:00:02 To od czego zaczynamy?
Mówca 2 · 00:00:04 Plan premiery zaczyna się od cen.
Mówca 1 · 00:00:07 Dobra.Jak to działa
Dźwięk jest cięty na krótkie fragmenty, z każdego powstaje odcisk głosu, a podobne odciski są grupowane w mówców. Następnie transkrypcja jest dopasowywana do tych grup słowo po słowie.
Diaryzacja to nie identyfikacja
Diaryzacja wie, że dwa głosy są różne, ale nie wie, do kogo należą. Imiona pochodzą od ciebie: zmień raz nazwę Mówca 1 na Anna, a wszystkie jej wypowiedzi się zaktualizują.
Kiedy sobie nie radzi
Gdy ludzie mówią jednocześnie, przy bardzo krótkich odpowiedziach typu no, podobnych głosach i jednym mikrofonie daleko od części mówców. Podanie, ile osób jest na nagraniu, pomaga poprawnie pogrupować głosy.
Pytania
Ilu mówców obsłuży diaryzacja?
Kilku, ale dokładność spada, gdy jest ich więcej, a wypowiedzi są krótsze. Najlepiej sprawdza się od dwóch do pięciu mówców w wyraźnym nagraniu.
Czy działa w każdym języku?
Tak. Diaryzacja słucha głosów, nie słów, więc w każdym języku działa tak samo.
Dlaczego dwie osoby zostały połączone w jednego mówcę?
Mają podobne głosy albo dzielą jeden oddalony mikrofon. Ustaw liczbę mówców lub popraw oznaczenia w edytorze.
Czytaj dalej
Powiązane pojęcia
Zaktualizowano: