Logga inProva gratis

Vad är talardiarisering?

Talardiarisering (speaker diarization) är steget i taligenkänning som räknar ut vem som talade när. Den delar upp en inspelning i segment efter röst och märker dem Talare 1, Talare 2 och så vidare, så att transkriptionen av en intervju eller ett möte visar varje persons repliker i stället för ett enda textblock.

Exempel
Utan diarisering:
Så var börjar vi lanseringsplanen börjar med prissättningen okej.

Med diarisering:
Talare 1 · 00:00:02  Så var börjar vi?
Talare 2 · 00:00:04  Lanseringsplanen börjar med prissättningen.
Talare 1 · 00:00:07  Okej.

Så fungerar det

Ljudet delas upp i korta bitar, varje bit görs om till ett röstavtryck och liknande avtryck grupperas till talare. Sedan matchas transkriptionen mot de grupperna, ord för ord.

Diarisering är inte identifiering

Diariseringen vet att två röster är olika, inte vems de är. Namnen kommer från dig: byt namn på Talare 1 till Anna en gång, så följer alla hennes repliker med.

När det blir svårt

Personer som pratar i mun på varandra, mycket korta svar som ja, röster som liknar varandra och en enda mikrofon långt från vissa talare. Om du anger hur många personer som finns i inspelningen blir det lättare att gruppera rösterna rätt.

Frågor

Hur många talare klarar diarisering?

Flera, men träffsäkerheten sjunker när antalet växer och replikerna blir kortare. Två till fem talare i en tydlig inspelning fungerar bäst.

Fungerar det på alla språk?

Ja. Diarisering lyssnar på röster, inte ord, så den fungerar likadant på alla språk.

Varför har två personer slagits ihop till en talare?

Deras röster liknar varandra, eller så delar de en mikrofon på avstånd. Ange antalet talare eller rätta etiketterna i redigeraren.

Läs mer

Relaterade begrepp

  • Ordagrann transkribering

    Ordagrann transkribering (verbatim) skriver ner tal exakt som det sades: varje öh och eh, upprepade ord, felstarter, stamningar och ofta icke-verbala ljud som [skrattar]. Motsatsen, ren verbatim (clean verbatim), behåller talarens ord och mening men tar bort utfyllnadsord och snubblingar så att texten läses smidigt.

  • Tidskod

    Tidskod (timecode) är en märkning av varje bildruta i en video, skriven som timmar:minuter:sekunder:bildrutor — 01:02:03:12 är bildruta 12 i tredje sekunden. Redigerare använder den för att hitta samma ögonblick i varje kopia av ett projekt. Undertextfiler räknar oftast tid i millisekunder i stället, och det är där förväxlingarna börjar.

  • SDH-undertexter

    SDH står för Subtitles for the Deaf and Hard of Hearing, alltså undertexter för döva och hörselskadade. Utöver dialogen anger SDH-undertexter talare som inte syns i bild och beskriver ljud som spelar roll — [dörr smäller], [telefon surrar], [spänd musik] — så att videon går att förstå utan ljud. Streamingtjänster märker dem till exempel som Engelska [SDH].

Uppdaterad: