’n Geëtiketteerde transkripsie het albei antwoorde nodig, en omdat etikette bo-op die woorde sit, kan ’n verkeerde een reggestel word sonder om die teks aan te raak.
’n Transkripsie van ’n vergadering antwoord twee vrae op dieselfde tyd: wat gesê is, en wie dit gesê het. ’n Leser sien een taak, ’n naam langs ’n reël. Onder die oppervlak is twee probleme, elk met sy eie insette en sy eie maniere van misluk.
Spraakherkenning luister na woorde. Dit verander oudio in teks en, wanneer dit goed gedoen word, gee dit ’n begin- en eindtyd vir elke woord. Dit gee nie om of die stem halfpad deur ’n sin verander nie; die taak is om die sin reg te kry.
Sprekerdiarisering luister na stemme. Dit ken geen woorde nie. Die taak is om die tydlyn in beurte te verdeel en te sê watter beurte aan dieselfde persoon behoort: Spreker 1, Spreker 2. Die woord kom van "diary" (dagboek), en dit is ’n billike beeld van die uitset: ’n logboek van wie die woord gehad het, en wanneer.
Drie naasbestaande terme word daarmee deurmekaar gemaak. Diarisering sê wie wanneer gepraat het, sonder om iemand te ken. Sprekeridentifikasie sê watter bekende persoon ’n stuk spraak behoort, deur te kies uit ’n stel geregistreerde stemme. Sprekerverifikasie beantwoord ’n ja-of-nee-vraag: is hierdie stem werklik persoon X? Verskaffers se bewerings word makliker om te lees sodra die drie uitmekaar gehou word, want "sprekeretikette" kan enigiets beteken, van ’n ruwe raaiwerk oor beurtgrense tot name wat ’n persoon van die een opname na die volgende volg. Om te sien wat daardie etikette kan en nie kan belowe nie, kyk binne-in die diariseerder.
Die meeste diariseringstelsels werk in drie stappe, waarvan geen met taal te doen het nie.
Elke stap kan op sy eie misluk. ’n Stil spreker word gemis. Twee soortgelyke stemme word saamgevoeg. Een persoon wat van kalm na opgewonde beweeg, word in twee gesplits.
Die veld meet dit alles met die diariseringsfoutkoers, DER: die aandeel spreektyd wat gemis is, valslik as spraak opgespoor is, of aan die verkeerde spreker toegeskryf is, gewoonlik met ’n vergewensgordel van sowat ’n kwart sekonde rondom elke grens. Die gordel bestaan omdat niemand, mens of masjien, ’n sprekerwisseling tot die millisekonde kan plaas nie. Daardie toleransie is goed om ’n diariseerder op sy eie te meet. Dit is nie goed vir ’n transkripsie nie, waar ’n grens wat ’n kwart sekonde af is, op ’n woord beland.
Hier ontmoet die twee probleme, en hier word die kwaliteit van ’n geëtiketteerde transkripsie bepaal. ’n Diariseerder plaas sy grense met ’n mate van onakkuraatheid, dikwels ’n fraksie van ’n sekonde na albei kante toe. ’n Herkenner plaas woorde op dieselfde tydlyn. As mens die twee naïef oor mekaar lê, beland ’n grens binne-in ’n woord, sodat die helfte van "môre" aan Spreker 1 behoort en die ander helfte aan Spreker 2.
Etikette kan ook ’n rukkie verkeerd wees voordat hulle reg is. ’n Diariseerder word al seker van sy groepe hoe meer oudio dit gehoor het, dus kan ’n vroeë etiket verkeerd lyk volgens die standaarde van wat later kom. Op ’n regstreekse transkripsie kan ’n etiket hersien word nadat ’n reël gewys is: VocalStack se realtime API stuur ’n transcript.amended-raam wat die teks of spreker van ’n vasgelegde reël op sy plek regstel, sodat ’n leser die hersiening sien eerder as ’n teenstrydigheid.
Selfs ’n perfek geplaasde, perfek stabiele etiket is steeds net ’n getal. ’n Getal is genoeg om ’n gesprek te volg; ’n naam is wat mense wil lees.
’n Etiket word op twee maniere ’n naam, en die een bou op die ander.
Die eerste is benoeming binne ’n opname. Elke spreker wat ’n transkripsie vind, kry ’n indeks, wat vanaf 0 getel word. Enigiemand met toegang kan elke spreker tydens of na die opname benoem. Die naam is ’n laag oor die woorde, so dit kan gestel, verander of uitgevee word sonder om die teks aan te raak. Oor die API is dit PUT /v1/recordings/{id}/speakers/{idx} met ’n name; ’n leë naam maak dit skoon. ’n Reël waarvan die speaker -1 is, het geen etiket nie, of omdat etikette afgeskakel was, of, in ’n regstreekse konsep, omdat die reël nog nie toegeskryf is nie.
Die tweede is herkenning oor opnames heen, die identifikasieprobleem uit die eerste afdeling. ’n Diariseerder kan net sê dat twee stemme verskillend is, nooit wie hulle is nie. Om van "verskillend" na "dit is Ana" te kom, het die stelsel ’n verwysing nodig: ’n gestoorde stem, geneem uit ’n opname van daardie een persoon. Dertig sekondes skoon spraak is die minimum, en ’n paar minute is beter. Die monster moet ook klink soos die opnames waarteen dit gepas gaan word: dieselfde persoon op ’n skootrekenaar se mikrofoon en op ’n verhoogmikrofoon kan vir ’n masjien minder na mekaar klink as twee vreemdelinge wat op dieselfde manier opgeneem is. Sodra ’n stem gestoor is, word elke spreker wat ’n transkripsie hoor, daarteen vergelyk, en ’n passing dra die naam na die transkripsie oor. In VocalStack leef dit onder Voices; lêertranskripsies en dashboard-regstreekse sessies pas jou gestoorde stemme outomaties aan, en ’n realtime API-sessie herken net die stemme wat jy in identifyVoices lys.
’n Gestoorde stem is biometriese data: dit kan ’n persoon in enige opname herken, en in VocalStack dien dit ook as ’n kloon wat hul reëls hardop kan lees. Die dashboard vra jou om te bevestig dat jy die persoon se toestemming het voordat jy een stoor, en ’n stem kan te eniger tyd uitgevee word.
Dit alles veronderstel dat jy etikette wil hê. Dikwels wil jy nie.
’n Enkele persoon wat ’n lesing lewer, het nie "Spreker 1" voor elke reël nodig nie. Die gehoor weet alreeds wie die mikrofoon het. Die sprekeretiket-instelling het dus drie posisies, en hulle is dieselfde op ’n realtime-sessie, ’n uitsending, ’n transkripsie en ’n opname.
auto in die API). Reëls word met hul spreker geëtiketteer sodra meer as een stem gehoor word; ’n opname met een spreker bly gewone teks, en ’n tweede stem wat laat aansluit, word steeds opgetel. Die dashboard se nuwe vorm vir regstreekse transkripsie begin hier.’n Lêeroplaai neem dieselfde speakerLabels-opsie, en die realtime API laat jou toe om die instelling middel-in-stroom te verander; die besonderhede is in die API-verwysing. Sprekerskeiding en -benoeming voeg nooit by die rekening nie (die pryslys het die tariewe), so die keuse gaan oor wat die leser moet sien, nie oor wat dit kos nie.
Wanneer dit aangeskakel is, is diarisering goed, maar nie toweragtig nie. Twee situasies slaan dit steeds.
Die eerste is oorvleueling. Wanneer twee mense tegelyk praat, dra ’n stuk oudio twee stemme. Oorvleuelingsbewuste diariseerders bestaan in navorsing en, al meer, in produkte: end-to-end neurale diarisering (EEND), byvoorbeeld, behandel "wie praat" as ’n stel gelyktydige ja-of-nee-vrae in plaas van een antwoord. Die meeste produksiestelsels ken egter steeds een spreker per stuk toe, en die herkenner bo-op hulle transkribeer een stem op ’n slag. Kruisgesprekke in ’n verhitte paneel is die moeilikste oudio in die veld, en elke verskaffer se etikette word daar slegter. Dit is ook, betroubaar, die deel wat almal daarna wil aanhaal.
Die tweede is baie soortgelyke stemme. Broers en susters kan inbeddings produseer wat te na aan mekaar is om betroubaar te skei, veral wanneer hulle vir ’n uur lank kort beurte ruil. Telefoonoudio maak dit erger vir almal: ’n smal band-lyn word teen 8 kHz gemonster en dra niks bo sowat 3,4 kHz nie, maar baie van wat een stem van ’n ander onderskei, lê bo daardie afsnypunt. Twee mense op dieselfde telefoonlyn klink vir ’n diariseerder meer na mekaar as wat hulle vir jou klink.
Die mees praktiese verhelpsel vir albei is stroomop van enige model: gee elke persoon hul eie mikrofoon. Met een kanaal per spreker word diarisering teruggebring tot die vraag watter kanaal hard is, oorvleueling word twee skoon snitte in plaas van een modderige een, en die inbeddings word nooit gevra om die harde deel te doen nie. ’n Enkele tafelmikrofoon is goedkoper en is amper altyd wat jy het, en dit is die rede waarom die res van hierdie artikel bestaan.
Geen van die twee grense hoef onveranderd by die leser uit te kom nie. Omdat etikette ’n laag oor die woorde is, kos ’n verkeerde etiket jou nooit die teks nie: sprekernamme kan op enige tydstip op ’n opname gestel of uitgevee word, en in ’n regstreekse transkripsie kan die gasheer enige woord of reël herskryf terwyl dit nog loop, met elke regstelling gemerk en ongedaan te maak.
Vir die woordkant dek wat woordfoutkoers meet en wat dit mis die korreksielae in detail; WER is vir die herkenner wat DER vir die diariseerder is, en ’n transkripsie het albei laag nodig.