يحتاج النص المُفرَّغ المُصنَّف إلى الإجابتين الصحيحتين معًا، ولأن الوسوم تقع فوق الكلمات، يمكن تصحيح وسم خاطئ دون المساس بالنص.
يجيب النص المُفرَّغ لاجتماع ما عن سؤالين في وقت واحد: ما الذي قيل، ومن قاله. يرى القارئ مهمةً واحدة، هي اسمٌ بجوار كل سطر. لكن تحت هذه المهمة مشكلتان، لكلٍّ منهما مدخلاته الخاصة وطرق فشله الخاصة.
يستمع التعرّف على الكلام إلى الكلمات. يحوّل الصوت إلى نص، وحين يُنفَّذ جيدًا يعطي زمن بداية ونهاية لكل كلمة. ولا يهمّه إن تغيّر الصوت في منتصف الجملة؛ فمهمته أن يُصيب الجملة.
يستمع تمييز المتحدثين إلى الأصوات. لا يعرف الكلمات. مهمته أن يقسّم الخط الزمني إلى أدوار، وأن يحدد أيّ الأدوار تعود إلى الشخص نفسه: المتحدث 1، المتحدث 2. وقد استُعيرت الكلمة من "diary" (يوميات)، وهي صورة معقولة لمخرجاته: سجلّ بمن أمسك زمام الكلام، ومتى.
ثمة ثلاثة مصطلحات قريبة كثيرًا ما تختلط به. يقول تمييز المتحدثين من تكلّم ومتى، دون أن يعرف أحدًا. ويحدد تحديد هوية المتحدث أيّ شخص معروف ينتمي إليه مقطع من الكلام، باختيار من بين أصوات مسجّلة مسبقًا. أما التحقق من المتحدث فيجيب بنعم أو لا: هل هذا الصوت فعلًا للشخص X؟ وتصبح ادعاءات الموردين أسهل في القراءة حين تُفصل هذه المفاهيم عن بعضها، لأن "تسميات المتحدثين" قد تعني أيّ شيء، من تخمين تقريبي لحدود الأدوار إلى أسماء تتبع الشخص من تسجيل إلى الذي يليه. ولمعرفة ما تستطيع هذه الوسوم أن تَعِد به وما لا تستطيع، ينبغي النظر داخل أداة التمييز نفسها.
تعمل معظم أنظمة التمييز في ثلاث خطوات، لا تدخل فيها اللغة بأي شكل.
يمكن أن تخطئ كل خطوة وحدها. يفوّت النظام متحدثًا هادئًا. ويدمج صوتين متشابهين. ويقسم شخصًا واحدًا ينتقل من الهدوء إلى الحماس إلى قسمين.
يقيس المجال كل هذا بمعدل خطأ التمييز DER: نسبة زمن الكلام الذي فُقد، أو اعتُبر كلامًا وليس كذلك، أو نُسب إلى المتحدث الخطأ، وعادةً مع هامش تسامح نحو ربع ثانية حول كل حدّ. وُجد هامش التسامح لأن أحدًا، إنسانًا كان أو آلة، لا يستطيع تحديد لحظة تغيّر المتحدث بدقة الملّي ثانية. وهذا التسامح مقبول لتقييم أداة التمييز وحدها. أما في النص المُفرَّغ فليس مقبولًا، إذ إن حدًّا يبعد ربع ثانية عن موضعه يسقط على كلمة.
هنا تلتقي المشكلتان، وهنا تُحسم جودة النص المُفرَّغ المُصنَّف. يضع التمييز حدوده بقدر من عدم الدقة، غالبًا بجزء من الثانية في أي اتجاه. ويضع المُتعرِّف الكلمات على الخط الزمني نفسه. فإذا وُضع أحدهما فوق الآخر دون معالجة، سقط حدٌّ داخل كلمة، فيصبح نصف "غدًا" للمتحدث 1 والنصف الآخر للمتحدث 2.
وقد تكون الوسوم خاطئة لفترة قبل أن تصبح صحيحة. يزداد يقين أداة التمييز بمجموعاتها كلما سمعت صوتًا أكثر، فقد تبدو وسمة مبكرة خاطئة بمقاييس ما يأتي لاحقًا. وفي النص المباشر يمكن مراجعة الوسم بعد أن يُعرض السطر: ترسل واجهة البرمجة الفورية في VocalStack الإطار transcript.amended الذي يصحح نص السطر المُثبَّت أو متحدثه في مكانه، فيرى القارئ المراجعة لا تناقضًا.
حتى الوسم الذي وُضع في مكانه الصحيح وظل مستقرًا ليس أكثر من رقم. الرقم يكفي لتتبّع المحادثة؛ أما الاسم فهو ما يريد الناس قراءته.
يتحول الوسم إلى اسم بطريقتين، تبني إحداهما على الأخرى.
الأولى تسمية داخل التسجيل الواحد. يُعطى كل متحدث تجده عملية التفريغ فهرسًا يبدأ من 0. ويستطيع من له صلاحية الوصول أن يسمّي كل متحدث أثناء التسجيل أو بعده. والاسم طبقة فوق الكلمات، فيمكن تعيينه أو تغييره أو مسحه دون المساس بالنص. وعبر واجهة البرمجة يكون ذلك بـ PUT /v1/recordings/{id}/speakers/{idx} مع name؛ والاسم الفارغ يمسح التسمية. والسطر الذي يكون فيه speaker مساويًا لـ -1 لا يحمل وسمًا، إما لأن الوسوم كانت مُعطَّلة، أو لأن السطر في مسودة مباشرة لم يُنسب بعد إلى متحدث.
الثانية التعرّف عبر التسجيلات، وهي مشكلة تحديد الهوية من القسم الأول. يستطيع المُمَيِّز أن يقول إن صوتين مختلفان، لكنه لا يستطيع أن يقول من هما. وللانتقال من "مختلفان" إلى "هذه آنا"، يحتاج النظام إلى مرجع: صوت محفوظ مأخوذ من تسجيل لذلك الشخص وحده. والحد الأدنى ثلاثون ثانية من كلام نظيف، والأفضل بضع دقائق. ويجب أن تشبه العينة التسجيلات التي ستُقارَن بها: فالشخص نفسه على ميكروفون الحاسوب المحمول وعلى ميكروفون المسرح قد يبدوان أقل تشابهًا للآلة من صوتين لغريبين سُجّلا بالطريقة نفسها. وبعد حفظ الصوت، يُقارَن كل متحدث يسمعه التفريغ بالصوت المحفوظ، فتحمل المطابقة الاسم إلى النص. وفي VocalStack تقع هذه الميزة تحت الأصوات؛ إذ تطابق التفريغات للملفات وجلسات البث المباشر في لوحة التحكم أصواتك المحفوظة تلقائيًا، أما جلسة واجهة البرمجة الفورية فتتعرف فقط على الأصوات التي تسردها في identifyVoices.
الصوت المحفوظ بيانات بيومترية: يستطيع أن يتعرّف على شخص في أي تسجيل، وهو في VocalStack يعمل أيضًا كصوت مستنسخ قادر على قراءة كلماته بصوت مسموع. وتطلب لوحة التحكم منك التأكيد بأن لديك إذن الشخص قبل حفظ صوته، ويمكن حذف الصوت في أي وقت.
كل هذا يفترض أنك تريد وسومًا أصلًا. وكثيرًا ما لا تريدها.
لا يحتاج شخص واحد يلقي محاضرة إلى "المتحدث 1" أمام كل سطر، فالجمهور يعرف مَن يمسك الميكروفون. لذلك لمفتاح وسوم المتحدثين ثلاثة مواضع، وهي نفسها في الجلسة المباشرة والبث والتفريغ والتسجيل.
auto في واجهة البرمجة). تُوسَم الأسطر بمتحدثيها بمجرد سماع أكثر من صوت واحد؛ أما التسجيل الذي فيه متحدث واحد فيبقى نصًا عاديًا، وإذا انضم صوت ثانٍ متأخرًا فإنه يُلتقط. وتبدأ عندها استمارة التفريغ المباشر الجديدة في لوحة التحكم.يأخذ رفع الملف الخيار نفسه speakerLabels، وتتيح واجهة البرمجة الفورية تغييره أثناء البث؛ والتفاصيل في مرجع واجهة البرمجة. ولا يضيف فصل المتحدثين وتسميتهم شيئًا إلى الفاتورة (صفحة الأسعار فيها بطاقة الأسعار)، فالاختيار يتعلق بما ينبغي أن يراه القارئ، لا بما يكلّفه.
عند تشغيله، التمييز جيد لكنه ليس سحرًا. هناك موقفان ما زالا يتفوقان عليه.
الأول التداخل. حين يتكلم شخصان في وقت واحد، يحمل مقطع الصوت نفسه صوتين. وقد وُجدت أدوات تمييز تدرك التداخل في الأبحاث، وتظهر بشكل متزايد في المنتجات: فمثلًا يعامل تمييز المتحدثين العصبي من طرف إلى طرف (EEND) سؤال "من يتكلم" بوصفه مجموعة أسئلة متزامنة بنعم أو لا، لا جوابًا واحدًا. لكن معظم الأنظمة الإنتاجية ما زالت تُسنِد متحدثًا واحدًا لكل مقطع، والمُعرِّف الذي يعمل فوقها يفرّغ صوتًا واحدًا في كل مرة. والتشويش المتبادل في نقاش محتدم هو أصعب صوت في هذا المجال، وتسوء الوسوم عند كل مورد هناك. وهو، بشكل مؤكد، الجزء الذي يحرص الجميع على الاستشهاد به لاحقًا.
الثاني الأصوات المتشابهة جدًا. فقد تُنتج الأشقاء تضمينات قريبة من بعضها إلى حدّ يتعذر معه الفصل بثقة، خاصة حين يتبادلون أدوارًا قصيرة لمدة ساعة. ويزيد الصوت الهاتفي الأمر سوءًا على الجميع: فالخط الضيق النطاق تُؤخذ عيناته بتردد 8 كيلوهرتز ولا يحمل شيئًا فوق نحو 3.4 كيلوهرتز، مع أن كثيرًا مما يميّز صوتًا عن آخر يقع فوق هذا الحد. فشخصان على الخط الهاتفي نفسه يبدوان للمُمَيِّز أقرب إلى بعضهما مما يبدوان لك.
والعلاج الأنفع لكليهما يقع قبل أي نموذج: أعطِ كل شخص ميكروفونه الخاص. ومع قناة لكل متحدث يتقلص التمييز إلى سؤال: أيّ قناة أعلى صوتًا؟ ويتحول التداخل إلى مسارين نظيفين بدلًا من مسار واحد عكِر، فلا تُطلب التضمينات أبدًا أن تقوم بالجزء الصعب. والميكروفون الواحد على الطاولة أرخص، وغالبًا ما يكون هو المتوفر لديك، ولهذا وُجدت بقية هذه المقالة.
ولا يلزم أن يصل أيٌّ من هذين القيدين إلى القارئ كما هو. فلأن الوسوم طبقة فوق الكلمات، فإن الوسم الخاطئ لا يكلّفك النص أبدًا: يمكن تعيين أسماء المتحدثين أو مسحها في أي وقت على التسجيل، وفي التفريغ المباشر يستطيع المضيف إعادة كتابة أي كلمة أو سطر أثناء جريان الجلسة، مع توثيق كل تصحيح وإمكانية التراجع عنه.
أما جانب الكلمات، فيشرح ما يقيسه معدل خطأ الكلمات وما يغفله طبقات التصحيح بالتفصيل؛ فمعدل خطأ الكلمات بالنسبة إلى المُعرِّف هو ما يمثله DER بالنسبة إلى المُمَيِّز، ويحتاج النص المُفرَّغ إلى انخفاض كليهما.