Merkt uppskrift þarf bæði svörin rétt, og þar sem merkingarnar liggja ofan á orðunum er hægt að laga ranga merkingu án þess að snerta textann.
Uppskrift af fundi svarar tveimur spurningum í einu: hvað var sagt og hver sagði það. Lesandinn sér eitt verkefni, nafn við hlið hverrar línu. Undir því liggja tvö vandamál, hvort með sínar forsendur og sínar leiðir til að mistakast.
Talgreining hlustar eftir orðum. Hún breytir hljóði í texta og gefur, þegar vel tekst til, upphafs- og lokatíma fyrir hvert orð. Henni er sama þótt röddin skipti um miðja setningu; hlutverk hennar er að setningin sé rétt.
Mælendaaðgreining hlustar eftir röddum. Hún þekkir engin orð. Hlutverk hennar er að skipta tímalínunni í umferðir og segja hvaða umferðir tilheyra sömu manneskjunni: Mælandi 1, Mælandi 2. Orðið „diarization“ er fengið úr „diary“ (dagbók) og það er sanngjörn mynd af útkomunni: skrá yfir það hver hafði orðið og hvenær.
Þrjú skyld hugtök blandast oft saman við þetta. Mælendaaðgreining segir hver talaði hvenær, án þess að vita hver viðkomandi er. Auðkenning mælanda segir hvaða þekkta manneskja tiltekið tal tilheyrir, með vali úr safni skráðra radda. Sannprófun mælanda svarar spurningu sem hefur bara já eða nei sem svar: er þessi rödd í raun og veru manneskja X? Fullyrðingar seljenda verða auðveldari að meta þegar þessu er haldið aðskildu, því að „mælendamerkingar“ geta þýtt allt frá gróflegri ágiskun um skil umferða upp í nöfn sem fylgja sömu manneskju milli upptaka. Til að sjá hvað merkingarnar geta og geta ekki lofað þarf að skoða inn í mælendagreininguna.
Flest mælendaaðgreiningarkerfi vinna í þremur skrefum og ekkert þeirra snýst um tungumál.
Hvert skref getur mistekist af sjálfsdáðum. Hljóðlátur mælandi gleymist. Tvær líkar raddir renna saman. Ein manneskja sem fer úr rólegu tali í æstt er klofin í tvennt.
Greinin mælir allt þetta með mælendavillunni (diarization error rate, DER): hlutfall talaðs tíma sem var misst, greint ranglega sem tal eða eignað röngum mælanda, yfirleitt með fyrirgefningarsvæði (collar) upp á um fjórðung úr sekúndu umhverfis hvert skil. Svæðið er til vegna þess að enginn, hvorki manneskja né vél, getur sett skil mælanda niður í millisekúndu. Þessi þolmörk duga til að meta mælendaaðgreiningu eina og sér. Þau duga hins vegar ekki fyrir uppskrift, þar sem skil sem eru fjórðungur úr sekúndu úti lenda á orði.
Hér mætast vandamálin tvö og hér ræðst gæði merktrar uppskriftar. Mælendaaðgreining setur skil sín með nokkurri ónákvæmni, oft brot úr sekúndu til eða frá. Talgreining setur orð á sömu tímalínu. Ef þessu er lagt yfir hvort annað án úrvinnslu lendir skil inni í orði, svo helmingur af „á morgun“ tilheyrir Mælanda 1 og hinn helmingurinn Mælanda 2.
Merkingar geta líka verið rangar um stund áður en þær verða réttar. Mælendaaðgreining verður öruggari um hópa sína eftir því sem hún hefur heyrt meira af hljóði, þannig að snemmbúin merking getur litið út fyrir að vera röng miðað við það sem síðar kemur. Í lifandi uppskrift er hægt að endurskoða merkingu eftir að lína hefur verið sýnd: transcript.amended-rammi frá rauntímaviðmóti VocalStack leiðréttir texta eða mælanda í línu sem er þegar staðfest, svo lesandinn sér endurskoðun í stað þess að sjá misræmi.
Jafnvel fullkomlega staðsett og stöðug merking er ekki meira en tala. Tala nægir til að fylgjast með samræðu; nafn er það sem fólk vill lesa.
Merking verður að nafni á tvo vegu og annar byggir á hinum.
Fyrri leiðin er nafngift innan upptöku. Sérhver mælandi sem uppskriftin finnur fær vísi, talinn frá 0. Hver sem hefur aðgang getur nefnt hvern mælanda meðan á upptökunni stendur eða eftir hana. Nafnið er lag yfir orðunum, svo hægt er að setja það, breyta því eða eyða því án þess að snerta textann. Í gegnum API er það PUT /v1/recordings/{id}/speakers/{idx} með name; tómt nafn eyðir merkingunni. Lína þar sem speaker er -1 hefur enga merkingu, annaðhvort vegna þess að merkingar voru slökktar eða, í lifandi drögum, vegna þess að línan hefur ekki enn verið eignuð neinum.
Seinni leiðin er þekking milli upptaka, sama auðkenningarvandamál og í fyrsta kafla. Mælendaaðgreining getur aðeins sagt að tvær raddir séu ólíkar, aldrei hverjar þær eru. Til að komast frá „ólík“ yfir í „þetta er Ana“ þarf kerfið viðmiðun: vistaða rödd, tekna úr upptöku af þeirri einu manneskju. Þrjátíu sekúndur af hreinu tali er lágmarkið og nokkrar mínútur eru betri. Sýnishornið ætti líka að hljóma eins og upptökurnar sem það verður borið saman við: sama manneskja á fartölvuhljóðnema og á sviðshljóðnema getur hljómað minna lík í augum vélar en tveir ókunnugir sem voru teknir upp á sama hátt. Þegar rödd er vistuð er sérhver mælandi sem uppskrift heyrir borinn saman við hana og samsvörun flytur nafnið inn í uppskriftina. Í VocalStack er þetta undir Raddir; uppskriftir á skrám og lifandi fundir á stjórnborðinu bera saman við vistaðar raddir sjálfkrafa, en lota í rauntímaviðmóti þekkir aðeins þær raddir sem þú skráir í identifyVoices.
Vistuð rödd eru lífkennagögn: hún getur þekkt manneskju í hvaða upptöku sem er, og í VocalStack virkar hún líka sem klón sem getur lesið línur hennar upphátt. Stjórnborðið biður þig um að staðfesta að þú hafir leyfi viðkomandi áður en rödd er vistuð, og hægt er að eyða rödd hvenær sem er.
Allt þetta gerir ráð fyrir að þú viljir merkingar yfirhöfuð. Oft viltu þær ekki.
Ein manneskja sem flytur fyrirlestur þarf ekki „Mælandi 1“ fyrir framan hverja línu. Áheyrendur vita þegar hver hefur hljóðnemann. Því hefur stillingin fyrir mælendamerkingar þrjár stöður og þær eru eins í rauntímalotu, útsendingu, uppskrift og upptöku.
auto í API). Línur fá merkingu um leið og fleiri en ein rödd heyrist; upptaka með einum mælanda helst venjulegur texti, og önnur rödd sem bætist seint við er samt tekin með. Nýja eyðublaðið fyrir lifandi uppskrift á stjórnborðinu byrjar í þessari stöðu.Skráarupphleðsla tekur sama valkost speakerLabels, og rauntímaviðmótið leyfir þér að breyta stillingunni meðan straumurinn er í gangi; nánar í API-handbókinni. Aðgreining og nafngift mælenda bætir aldrei við reikninginn (verðsíðan hefur gjaldskrána), þannig að valið snýst um hvað lesandinn á að sjá, ekki hvað það kostar.
Þegar kveikt er á mælendaaðgreiningu er hún góð en ekki töframáttug. Tvær aðstæður ráða enn ekki við hana.
Fyrsta er skörun. Þegar tvær manneskjur tala í einu ber ákveðinn kafli hljóðsins tvær raddir. Skörunarnæm mælendaaðgreining er til í rannsóknum og smám saman í vörum; taugaaðgreining frá enda til enda (EEND) lítur til dæmis á „hver talar“ sem safn samtímis já-eða-nei spurninga frekar en eitt svar. Flest framleiðslukerfi úthluta þó enn einum mælanda á hvern kafla, og talgreiningin ofan á þeim umritar eina rödd í einu. Samtöl í hitaðri pallborðsumræðu eru erfiðasta hljóðið á þessu sviði, og merkingar allra seljenda versna þar. Það er líka, með áreiðanlegum hætti, sá hluti sem allir vilja vitna í síðar.
Annað er mjög líkar raddir. Systkini geta skilað innfellingum sem eru of nálægt hvor annarri til að aðgreina áreiðanlega, sérstaklega þegar þau skiptast á stuttum umferðum í heila klukkustund. Símahljóð gerir þetta verra fyrir alla: símalína með þröngu bandi er sýnd með 8 kHz og ber ekkert yfir um 3,4 kHz, en mikið af því sem greinir eina rödd frá annarri liggur ofan við þau mörk. Tvær manneskjur á sömu símalínu hljóma líkari mælendaaðgreiningu en þær hljóma þér.
Besta úrræðið við báðum er fyrir ofan öll líkön: gefðu hverri manneskju sinn eigin hljóðnema. Með einni rás á hvern mælanda minnkar mælendaaðgreining í að spyrja hvaða rás sé há, skörun verður tvö hrein spor í stað eins drullugs, og innfellingarnar þurfa aldrei að leysa erfiða hlutann. Einn borðhljóðnemi er ódýrari og nánast alltaf það sem þú hefur, og þess vegna er rest þessarar greinar til.
Hvorugt takmarkið þarf að ná lesandanum óbreytt. Þar sem merkingar eru lag yfir orðunum kostar röng merking þig aldrei textann: nöfn mælenda er hægt að setja eða eyða á upptöku hvenær sem er, og í lifandi uppskrift getur gestgjafinn endurskrifað hvert orð eða línu meðan hún er enn í gangi, með hverri lagfæringu merkt og hægt að afturkalla.
Fyrir orðahliðina er hvað villuhlutfall orða mælir og hvað það missir af fjallað ítarlega um leiðréttingarlögin; WER er fyrir talgreininguna það sem DER er fyrir mælendaaðgreininguna, og uppskrift þarf bæði lágt.