ಸ್ಪೀಕರ್ ಡಯರೈಸೇಶನ್ ಮತ್ತು ಸ್ಪೀಚ್ ರೆಕಗ್ನಿಷನ್: ಯಾರು ಹೇಳಿದರು, ಮತ್ತು ಏನು ಹೇಳಿದರು

ಲೇಬಲ್ ಇರುವ ಟ್ರಾನ್ಸ್‌ಕ್ರಿಪ್ಟ್‌ಗೆ ಎರಡೂ ಉತ್ತರಗಳು ಸರಿಯಾಗಿರಬೇಕು. ಲೇಬಲ್‌ಗಳು ಪದಗಳ ಮೇಲೆ ಇರುವುದರಿಂದ, ತಪ್ಪಾದ ಲೇಬಲ್ ಅನ್ನು ಪಠ್ಯವನ್ನು ಮುಟ್ಟದೆಯೇ ಸರಿಪಡಿಸಬಹುದು.

ಎರಡು ಪ್ರಶ್ನೆಗಳು: ಏನು ಹೇಳಲಾಯಿತು, ಯಾರು ಹೇಳಿದರು

ಸಭೆಯ ಟ್ರಾನ್ಸ್‌ಕ್ರಿಪ್ಟ್ ಒಂದೇ ಸಮಯದಲ್ಲಿ ಎರಡು ಪ್ರಶ್ನೆಗಳಿಗೆ ಉತ್ತರಿಸುತ್ತದೆ: ಏನು ಹೇಳಲಾಯಿತು, ಮತ್ತು ಅದನ್ನು ಯಾರು ಹೇಳಿದರು. ಓದುಗರಿಗೆ ಅದು ಒಂದೇ ಕೆಲಸವಾಗಿ ಕಾಣುತ್ತದೆ: ಪ್ರತಿ ಸಾಲಿನ ಪಕ್ಕದಲ್ಲಿ ಒಂದು ಹೆಸರು. ಆದರೆ ಅದರ ಕೆಳಗೆ ಎರಡು ಸಮಸ್ಯೆಗಳಿವೆ; ಪ್ರತಿಯೊಂದಕ್ಕೂ ತನ್ನದೇ ಆದ ಒಳಹರಿವು ಮತ್ತು ವಿಫಲವಾಗುವ ತನ್ನದೇ ಆದ ರೀತಿಗಳಿವೆ.

ಸ್ಪೀಚ್ ರೆಕಗ್ನಿಷನ್ ಪದಗಳನ್ನು ಆಲಿಸುತ್ತದೆ. ಅದು ಆಡಿಯೊವನ್ನು ಪಠ್ಯವಾಗಿ ಪರಿವರ್ತಿಸುತ್ತದೆ ಮತ್ತು ಚೆನ್ನಾಗಿ ಮಾಡಿದಾಗ, ಪ್ರತಿ ಪದಕ್ಕೂ ಆರಂಭ ಮತ್ತು ಅಂತ್ಯದ ಸಮಯವನ್ನು ನೀಡುತ್ತದೆ. ವಾಕ್ಯದ ಮಧ್ಯದಲ್ಲಿ ಧ್ವನಿ ಬದಲಾಯಿತೇ ಎಂಬುದು ಅದಕ್ಕೆ ಮುಖ್ಯವಲ್ಲ; ಅದರ ಕೆಲಸ ವಾಕ್ಯವನ್ನು ಸರಿಯಾಗಿ ಪಡೆಯುವುದು.

ಸ್ಪೀಕರ್ ಡಯರೈಸೇಶನ್ ಧ್ವನಿಗಳನ್ನು ಆಲಿಸುತ್ತದೆ. ಅದಕ್ಕೆ ಯಾವ ಪದಗಳೂ ಗೊತ್ತಿರುವುದಿಲ್ಲ. ಅದರ ಕೆಲಸ ಕಾಲರೇಖೆಯನ್ನು ಸರದಿಗಳಾಗಿ ವಿಭಾಗಿಸುವುದು ಮತ್ತು ಯಾವ ಸರದಿಗಳು ಒಬ್ಬನೇ ವ್ಯಕ್ತಿಗೆ ಸೇರಿವೆ ಎಂದು ಹೇಳುವುದು: Speaker 1, Speaker 2. ಈ ಪದ "ಡೈರಿ" ಎಂಬ ಪದದಿಂದ ಎರವಲು ಪಡೆಯಲ್ಪಟ್ಟಿದೆ, ಮತ್ತು ಅದು ಫಲಿತಾಂಶದ ಸರಿಯಾದ ಚಿತ್ರಣ: ಯಾರು ಮಾತಿನ ಸರದಿ ಹಿಡಿದಿದ್ದರು, ಮತ್ತು ಯಾವಾಗ ಎಂಬ ದಾಖಲೆ.

ಇದರೊಂದಿಗೆ ಸಾಮಾನ್ಯವಾಗಿ ಗೊಂದಲಕ್ಕೊಳಗಾಗುವ ಮೂರು ಸಂಬಂಧಿತ ಪದಗಳಿವೆ. ಡಯರೈಸೇಶನ್ ಯಾರನ್ನೂ ತಿಳಿಯದೆ ಯಾರು ಯಾವಾಗ ಮಾತನಾಡಿದರು ಎಂದು ಹೇಳುತ್ತದೆ. ಸ್ಪೀಕರ್ ಗುರುತಿಸುವಿಕೆ ದಾಖಲಾದ ಧ್ವನಿಗಳ ಗುಂಪಿನಿಂದ ಆಯ್ಕೆ ಮಾಡಿ, ಒಂದು ಭಾಗದ ಮಾತು ಯಾವ ತಿಳಿದಿರುವ ವ್ಯಕ್ತಿಗೆ ಸೇರಿದೆ ಎಂದು ಹೇಳುತ್ತದೆ. ಸ್ಪೀಕರ್ ಪರಿಶೀಲನೆ ಹೌದು-ಅಥವಾ-ಇಲ್ಲ ಪ್ರಶ್ನೆಗೆ ಉತ್ತರಿಸುತ್ತದೆ: ಈ ಧ್ವನಿ ನಿಜವಾಗಿಯೂ ವ್ಯಕ್ತಿ X ಯದೇ? ಈ ಮೂರನ್ನು ಬೇರೆ ಬೇರೆಯಾಗಿ ಇಟ್ಟುಕೊಂಡಾಗ ಮಾರಾಟಗಾರರ ಹಕ್ಕುಗಳು ಸುಲಭವಾಗಿ ಓದಲ್ಪಡುತ್ತವೆ, ಏಕೆಂದರೆ "ಸ್ಪೀಕರ್ ಲೇಬಲ್‌ಗಳು" ಸರದಿ ಗಡಿಗಳ ಸ್ಥೂಲ ಊಹೆಯಿಂದ ಹಿಡಿದು, ಒಬ್ಬ ವ್ಯಕ್ತಿಯನ್ನು ಒಂದು ಧ್ವನಿಮುದ್ರಣದಿಂದ ಮುಂದಿನದಕ್ಕೆ ಹಿಂಬಾಲಿಸುವ ಹೆಸರುಗಳವರೆಗೆ ಏನನ್ನೂ ಅರ್ಥೈಸಬಹುದು. ಆ ಲೇಬಲ್‌ಗಳು ಏನನ್ನು ಭರವಸೆ ನೀಡಬಲ್ಲವು ಮತ್ತು ಏನನ್ನು ನೀಡಲಾರವು ಎಂದು ತಿಳಿಯಲು, ಡಯರೈಸರ್ ಒಳಗೆ ನೋಡಬೇಕು.

ಡಯರೈಸೇಶನ್ ಸರಳವಾಗಿ ಹೇಗೆ ಕೆಲಸ ಮಾಡುತ್ತದೆ

ಹೆಚ್ಚಿನ ಡಯರೈಸೇಶನ್ ವ್ಯವಸ್ಥೆಗಳು ಮೂರು ಹಂತಗಳಲ್ಲಿ ಕೆಲಸ ಮಾಡುತ್ತವೆ; ಅವುಗಳಲ್ಲಿ ಯಾವುದರಲ್ಲೂ ಭಾಷೆಯ ಪಾತ್ರವಿಲ್ಲ.

1. ಮಾತನ್ನು ಹುಡುಕಿ. ಧ್ವನಿ ಚಟುವಟಿಕೆ ಪತ್ತೆ ಆಡಿಯೊದ ಯಾವ ಭಾಗಗಳಲ್ಲಿ ಯಾರಾದರೂ ಮಾತನಾಡುತ್ತಿದ್ದಾರೆ ಮತ್ತು ಯಾವ ಭಾಗಗಳು ಮೌನ, ಸಂಗೀತ ಅಥವಾ ಕೊಠಡಿಯ ಶಬ್ದ ಎಂದು ಗುರುತಿಸುತ್ತದೆ.
2. ಪ್ರತಿ ಧ್ವನಿಯನ್ನು ವಿವರಿಸಿ. ಮಾತಿನ ಸಣ್ಣ ವಿಂಡೋಗಳನ್ನು ಸ್ಪೀಕರ್ ಎಂಬೆಡ್ಡಿಂಗ್‌ಗಳಾಗಿ ಪರಿವರ್ತಿಸಲಾಗುತ್ತದೆ: ಧ್ವನಿ ಹೇಗೆ ಕೇಳಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ಸೆರೆಹಿಡಿಯುವ, ಸ್ಥಿರ ಉದ್ದದ ಸಂಖ್ಯೆಗಳ ಪಟ್ಟಿಗಳು, ಅದು ಏನು ಹೇಳುತ್ತದೆ ಎಂಬುದನ್ನಲ್ಲ. ಇಂದು ಈ ಎಂಬೆಡ್ಡಿಂಗ್‌ಗಳು ಸಾವಿರಾರು ಸ್ಪೀಕರ್‌ಗಳನ್ನು ಬೇರೆ ಬೇರೆಯಾಗಿ ಗುರುತಿಸಲು ತರಬೇತಿ ಪಡೆದ ನ್ಯೂರಲ್ ನೆಟ್‌ವರ್ಕ್‌ಗಳಿಂದ ಬರುತ್ತವೆ; ಸಾಹಿತ್ಯದಲ್ಲಿ ಇವನ್ನು x-vectors ಮತ್ತು ಇತ್ತೀಚೆಗೆ ECAPA-TDNN ಎಂಬೆಡ್ಡಿಂಗ್‌ಗಳು ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ. ಒಬ್ಬ ವ್ಯಕ್ತಿಯ ಎರಡು ವಿಂಡೋಗಳು ಹತ್ತಿರ ಬರುತ್ತವೆ; ಇಬ್ಬರು ಬೇರೆ ವ್ಯಕ್ತಿಗಳ ವಿಂಡೋಗಳು ಹೆಚ್ಚು ದೂರ ಬೀಳುತ್ತವೆ.
3. ಧ್ವನಿಗಳನ್ನು ಗುಂಪು ಮಾಡಿ. ಕ್ಲಸ್ಟರಿಂಗ್ ಎಂಬೆಡ್ಡಿಂಗ್‌ಗಳನ್ನು ಗುಂಪುಗಳಾಗಿ ಸೇರಿಸುತ್ತದೆ, ಪ್ರತಿ ಸ್ಪೀಕರ್‌ಗೆ ಒಂದು ಗುಂಪು. ಸಾಮಾನ್ಯ ವಿಧಾನಗಳೆಂದರೆ ಅಗ್ಲೋಮರೇಟಿವ್ ಕ್ಲಸ್ಟರಿಂಗ್ (ಮುಂದಿನ ವಿಲೀನ ತುಂಬಾ ದೂರದ ಹೆಜ್ಜೆಯಾಗುವವರೆಗೆ ಹತ್ತಿರದ ಎರಡು ಗುಂಪುಗಳನ್ನು ವಿಲೀನಗೊಳಿಸುವುದು) ಮತ್ತು ಸ್ಪೆಕ್ಟ್ರಲ್ ಕ್ಲಸ್ಟರಿಂಗ್ (ವಿಂಡೋಗಳು ಒಂದಕ್ಕೊಂದು ಹೇಗೆ ಸಂಪರ್ಕಗೊಳ್ಳುತ್ತವೆ ಎಂಬುದರಿಂದ ಕ್ಲಸ್ಟರ್‌ಗಳ ಸ್ವಾಭಾವಿಕ ಸಂಖ್ಯೆಯನ್ನು ಕಂಡುಹಿಡಿಯುವುದು). ಕೊಠಡಿಯಲ್ಲಿ ಎಷ್ಟು ಜನರಿದ್ದಾರೆ ಎಂದು ವ್ಯವಸ್ಥೆಗೆ ಹೇಳಲಾಗುವುದಿಲ್ಲ; ಎಂಬೆಡ್ಡಿಂಗ್‌ಗಳು ಹೇಗೆ ಬೀಳುತ್ತವೆ ಎಂಬುದರಿಂದ ಅದು ಅವರನ್ನು ಎಣಿಸುತ್ತದೆ. ಅದಕ್ಕೇ ಒಂದು "ಸಂದರ್ಶನ" ಮೂವರು ಸ್ಪೀಕರ್‌ಗಳೊಂದಿಗೆ ಹಿಂತಿರುಗಬಹುದು.

ಪ್ರತಿ ಹಂತವೂ ತನ್ನಷ್ಟಕ್ಕೆ ತಪ್ಪಾಗಬಹುದು. ಶಾಂತ ಸ್ಪೀಕರ್ ತಪ್ಪಿಹೋಗುತ್ತಾರೆ. ಎರಡು ಹೋಲುವ ಧ್ವನಿಗಳು ಒಂದಾಗುತ್ತವೆ. ಶಾಂತದಿಂದ ಉತ್ಸಾಹಕ್ಕೆ ಬದಲಾಗುವ ಒಬ್ಬ ವ್ಯಕ್ತಿ ಎರಡಾಗಿ ಒಡೆಯುತ್ತಾನೆ.

ಈ ಕ್ಷೇತ್ರ ಇದೆಲ್ಲವನ್ನೂ ಡಯರೈಸೇಶನ್ ದೋಷ ದರ (DER) ಮೂಲಕ ಅಳೆಯುತ್ತದೆ: ಮಾತಿನ ಸಮಯದಲ್ಲಿ ತಪ್ಪಿಹೋದ, ತಪ್ಪಾಗಿ ಮಾತು ಎಂದು ಪತ್ತೆಯಾದ, ಅಥವಾ ತಪ್ಪಾದ ಸ್ಪೀಕರ್‌ಗೆ ಹಂಚಿದ ಭಾಗದ ಪಾಲು. ಸಾಮಾನ್ಯವಾಗಿ ಪ್ರತಿ ಗಡಿಯ ಸುತ್ತ ಸುಮಾರು ಕಾಲು ಸೆಕೆಂಡಿನ ಕ್ಷಮಾ ಕಾಲರ್ (forgiveness collar) ಇರುತ್ತದೆ. ಈ ಕಾಲರ್ ಇರುವುದು ಏಕೆಂದರೆ ಯಾರೂ, ಮನುಷ್ಯರಾಗಲಿ ಯಂತ್ರವಾಗಲಿ, ಸ್ಪೀಕರ್ ಬದಲಾವಣೆಯನ್ನು ಮಿಲಿಸೆಕೆಂಡಿಗೆ ನಿಖರವಾಗಿ ಇಡಲಾರರು. ಡಯರೈಸರ್ ಅನ್ನು ಸ್ವತಂತ್ರವಾಗಿ ಅಳೆಯಲು ಆ ಸಹನೆ ಸರಿಯಾಗಿದೆ. ಆದರೆ ಪ್ರತಿಲಿಪಿಗೆ ಅದು ಸರಿಯಲ್ಲ; ಅಲ್ಲಿ ಕಾಲು ಸೆಕೆಂಡು ತಪ್ಪಿದ ಗಡಿ ಒಂದು ಪದದ ಮೇಲೆ ಬೀಳುತ್ತದೆ.

ಎರಡೂ ಸೇರುವ ಜಾಗ

ಇಲ್ಲಿಯೇ ಎರಡು ಸಮಸ್ಯೆಗಳು ಸಂಧಿಸುತ್ತವೆ, ಮತ್ತು ಲೇಬಲ್ ಮಾಡಿದ ಪ್ರತಿಲಿಪಿಯ ಗುಣಮಟ್ಟ ನಿರ್ಧಾರವಾಗುವುದು ಇಲ್ಲಿಯೇ. ಡಯರೈಸರ್ ತನ್ನ ಗಡಿಗಳನ್ನು ಕೆಲವೊಮ್ಮೆ ಒಂದು ಸೆಕೆಂಡಿನ ಒಂದು ಭಾಗದಷ್ಟು ಅತ್ತಿತ್ತ ತಪ್ಪಿಸುತ್ತಾ ಇಡುತ್ತದೆ. ರೆಕಗ್ನೈಸರ್ ಪದಗಳನ್ನು ಅದೇ ಟೈಮ್‌ಲೈನ್‌ನಲ್ಲಿ ಇಡುತ್ತದೆ. ಎರಡನ್ನೂ ಸರಳವಾಗಿ ಒಂದರ ಮೇಲೊಂದು ಇಟ್ಟರೆ, ಒಂದು ಗಡಿ ಪದದ ಒಳಗೆ ಬೀಳುತ್ತದೆ, ಮತ್ತು "ನಾಳೆ" ಎಂಬ ಪದದ ಅರ್ಧ ಭಾಗ Speaker 1ಕ್ಕೆ ಮತ್ತು ಉಳಿದ ಅರ್ಧ Speaker 2ಕ್ಕೆ ಸೇರುತ್ತದೆ.

ಲೇಬಲ್‌ಗಳು ಸರಿಯಾಗುವ ಮೊದಲು ಕೆಲಕಾಲ ತಪ್ಪಾಗಿರಬಹುದು. ಡಯರೈಸರ್ ಹೆಚ್ಚು ಆಡಿಯೊ ಕೇಳಿದಷ್ಟೂ ತನ್ನ ಗುಂಪುಗಳ ಬಗ್ಗೆ ಹೆಚ್ಚು ಖಚಿತವಾಗುತ್ತದೆ, ಆದ್ದರಿಂದ ಆರಂಭಿಕ ಲೇಬಲ್ ನಂತರದ ಮಾಹಿತಿಯ ಮಾನದಂಡದಲ್ಲಿ ತಪ್ಪಾಗಿ ಕಾಣಬಹುದು. ನೇರ ಪ್ರತಿಲಿಪಿಯಲ್ಲಿ ಒಂದು ಸಾಲನ್ನು ತೋರಿಸಿದ ನಂತರ ಲೇಬಲ್ ಪರಿಷ್ಕರಿಸಬಹುದು: VocalStack ನ ರಿಯಲ್‌ಟೈಮ್ API transcript.amended ಫ್ರೇಮ್ ಕಳುಹಿಸುತ್ತದೆ, ಇದು ಬದ್ಧವಾದ ಸಾಲಿನ ಪಠ್ಯ ಅಥವಾ ಸ್ಪೀಕರ್ ಅನ್ನು ಅದೇ ಸ್ಥಳದಲ್ಲಿ ಸರಿಪಡಿಸುತ್ತದೆ, ಆದ್ದರಿಂದ ಓದುಗರು ವಿರೋಧಾಭಾಸವನ್ನಲ್ಲ, ಪರಿಷ್ಕರಣೆಯನ್ನು ನೋಡುತ್ತಾರೆ.

ಪರಿಪೂರ್ಣವಾಗಿ ಇಟ್ಟ, ಪರಿಪೂರ್ಣವಾಗಿ ಸ್ಥಿರವಾದ ಲೇಬಲ್ ಕೂಡ ಕೇವಲ ಒಂದು ಸಂಖ್ಯೆ. ಒಂದು ಸಂಖ್ಯೆ ಸಂಭಾಷಣೆಯನ್ನು ಅನುಸರಿಸಲು ಸಾಕು; ಆದರೆ ಜನರು ಓದಲು ಬಯಸುವುದು ಹೆಸರನ್ನು.

"Speaker 1" ರಿಂದ ಹೆಸರಿನವರೆಗೆ

ಲೇಬಲ್ ಎರಡು ರೀತಿಗಳಲ್ಲಿ ಹೆಸರಾಗಿ ಬದಲಾಗುತ್ತದೆ; ಇವೆರಡೂ ಒಂದರ ಮೇಲೊಂದು ನಿಂತಿವೆ.

ಮೊದಲನೆಯದು ಒಂದೇ ಧ್ವನಿಮುದ್ರಣದೊಳಗೆ ಹೆಸರಿಡುವುದು. ಪ್ರತಿಲೇಖನ ಕಂಡುಹಿಡಿದ ಪ್ರತಿ ಸ್ಪೀಕರ್‌ಗೆ 0ರಿಂದ ಎಣಿಸಿದ ಒಂದು ಸೂಚ್ಯಂಕ ಸಿಗುತ್ತದೆ. ಪ್ರವೇಶ ಇರುವ ಯಾರಾದರೂ ಧ್ವನಿಮುದ್ರಣದ ಸಮಯದಲ್ಲಿ ಅಥವಾ ನಂತರ ಪ್ರತಿ ಸ್ಪೀಕರ್‌ಗೂ ಹೆಸರಿಡಬಹುದು. ಹೆಸರು ಪದಗಳ ಮೇಲಿನ ಒಂದು ಪದರ, ಆದ್ದರಿಂದ ಪಠ್ಯವನ್ನು ಮುಟ್ಟದೆಯೇ ಅದನ್ನು ಹೊಂದಿಸಬಹುದು, ಬದಲಾಯಿಸಬಹುದು ಅಥವಾ ತೆಗೆಯಬಹುದು. API ಮೂಲಕ ಅದು name ಜೊತೆಗೆ PUT /v1/recordings/{id}/speakers/{idx} ಆಗಿದೆ; ಖಾಲಿ ಹೆಸರು ಲೇಬಲ್ ಅನ್ನು ತೆಗೆಯುತ್ತದೆ. speaker -1 ಆಗಿರುವ ಸಾಲಿಗೆ ಲೇಬಲ್ ಇರುವುದಿಲ್ಲ; ಲೇಬಲ್‌ಗಳು ಆಫ್ ಆಗಿದ್ದರಿಂದಲೋ ಅಥವಾ ನೇರ ಡ್ರಾಫ್ಟ್‌ನಲ್ಲಿ ಸಾಲಿಗೆ ಇನ್ನೂ ಸ್ಪೀಕರ್ ಹಂಚಿಕೆಯಾಗದ ಕಾರಣದಿಂದಲೋ ಹಾಗಾಗುತ್ತದೆ.

ಎರಡನೆಯದು ಧ್ವನಿಮುದ್ರಣಗಳಾದ್ಯಂತ ಗುರುತಿಸುವಿಕೆ, ಮೊದಲ ವಿಭಾಗದ ಗುರುತಿಸುವಿಕೆ ಸಮಸ್ಯೆ. ಡಯರೈಸರ್ ಎರಡು ಧ್ವನಿಗಳು ಬೇರೆ ಎಂದು ಮಾತ್ರ ಹೇಳಬಲ್ಲದು, ಅವರು ಯಾರು ಎಂದು ಎಂದಿಗೂ ಹೇಳಲಾರದು. "ಬೇರೆ" ಯಿಂದ "ಇವರು ಅನಾ" ಎಂಬುದಕ್ಕೆ ಹೋಗಲು ವ್ಯವಸ್ಥೆಗೆ ಒಂದು ಉಲ್ಲೇಖ ಬೇಕು: ಆ ಒಬ್ಬ ವ್ಯಕ್ತಿಯ ಧ್ವನಿಮುದ್ರಣದಿಂದ ತೆಗೆದ ಉಳಿಸಿದ ಧ್ವನಿ. ಕನಿಷ್ಠ ಮೂವತ್ತು ಸೆಕೆಂಡ್ ಸ್ಪಷ್ಟ ಮಾತು ಬೇಕು; ಕೆಲವು ನಿಮಿಷಗಳು ಇನ್ನೂ ಉತ್ತಮ. ಮಾದರಿ, ಹೊಂದಿಸಲಾಗುವ ಧ್ವನಿಮುದ್ರಣಗಳಂತೆಯೇ ಧ್ವನಿಸಬೇಕು: ಲ್ಯಾಪ್‌ಟಾಪ್ ಮೈಕ್ರೋಫೋನ್‌ನಲ್ಲಿ ದಾಖಲಾದ ಒಬ್ಬ ವ್ಯಕ್ತಿ ಮತ್ತು ವೇದಿಕೆ ಮೈಕ್ರೋಫೋನ್‌ನಲ್ಲಿ ದಾಖಲಾದ ಅದೇ ವ್ಯಕ್ತಿ, ಒಂದೇ ರೀತಿಯಲ್ಲಿ ದಾಖಲಾದ ಇಬ್ಬರು ಅಪರಿಚಿತರಿಗಿಂತ ಯಂತ್ರಕ್ಕೆ ಕಡಿಮೆ ಹೋಲುವಂತೆ ಧ್ವನಿಸಬಹುದು. ಧ್ವನಿ ಉಳಿಸಿದ ನಂತರ, ಪ್ರತಿಲೇಖನ ಕೇಳುವ ಪ್ರತಿ ಸ್ಪೀಕರ್ ಅದರೊಂದಿಗೆ ಹೋಲಿಸಲ್ಪಡುತ್ತಾರೆ, ಮತ್ತು ಹೊಂದಾಣಿಕೆ ಹೆಸರನ್ನು ಪ್ರತಿಲಿಪಿಗೆ ಕೊಂಡೊಯ್ಯುತ್ತದೆ. VocalStack ನಲ್ಲಿ ಇದು ಧ್ವನಿಗಳು ಅಡಿಯಲ್ಲಿ ಇದೆ; ಫೈಲ್ ಪ್ರತಿಲೇಖನಗಳು ಮತ್ತು ಡ್ಯಾಶ್‌ಬೋರ್ಡ್ ನೇರ ಸೆಷನ್‌ಗಳು ನಿಮ್ಮ ಉಳಿಸಿದ ಧ್ವನಿಗಳನ್ನು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಹೊಂದಿಸುತ್ತವೆ; ರಿಯಲ್‌ಟೈಮ್ API ಸೆಷನ್ ನೀವು identifyVoices ನಲ್ಲಿ ಪಟ್ಟಿ ಮಾಡಿದ ಧ್ವನಿಗಳನ್ನು ಮಾತ್ರ ಗುರುತಿಸುತ್ತದೆ.

ಉಳಿಸಿದ ಧ್ವನಿ ಒಂದು ಬಯೋಮೆಟ್ರಿಕ್ ಡೇಟಾ: ಅದು ಯಾವುದೇ ಧ್ವನಿಮುದ್ರಣದಲ್ಲಿ ವ್ಯಕ್ತಿಯನ್ನು ಗುರುತಿಸಬಲ್ಲದು, ಮತ್ತು VocalStack ನಲ್ಲಿ ಅದು ಅವರ ಸಾಲುಗಳನ್ನು ಗಟ್ಟಿಯಾಗಿ ಓದಬಲ್ಲ ಕ್ಲೋನ್ ಆಗಿಯೂ ಕೆಲಸ ಮಾಡುತ್ತದೆ. ಒಂದನ್ನು ಉಳಿಸುವ ಮೊದಲು ಡ್ಯಾಶ್‌ಬೋರ್ಡ್ ವ್ಯಕ್ತಿಯ ಅನುಮತಿ ಇದೆ ಎಂದು ದೃಢೀಕರಿಸಲು ಕೇಳುತ್ತದೆ, ಮತ್ತು ಧ್ವನಿಯನ್ನು ಯಾವಾಗ ಬೇಕಾದರೂ ಅಳಿಸಬಹುದು.

ಇದೆಲ್ಲವೂ ನಿಮಗೆ ಲೇಬಲ್‌ಗಳು ಬೇಕು ಎಂದು ಊಹಿಸುತ್ತದೆ. ಆಗಾಗ್ಗೆ ಬೇಡ.

ಸ್ಪೀಕರ್ ಸ್ವಿಚ್‌ನ ಮೂರು ಸ್ಥಾನಗಳು: ಆಫ್, ಅಗತ್ಯವಿದ್ದಾಗ, ಆನ್

ಒಬ್ಬ ವ್ಯಕ್ತಿ ಉಪನ್ಯಾಸ ಓದುತ್ತಿದ್ದರೆ ಪ್ರತಿ ಸಾಲಿನ ಮುಂದೆ "ಸ್ಪೀಕರ್ 1" ಬೇಕಾಗಿಲ್ಲ. ಮೈಕ್ರೋಫೋನ್ ಯಾರ ಕೈಯಲ್ಲಿದೆ ಎಂದು ಪ್ರೇಕ್ಷಕರಿಗೆ ಈಗಾಗಲೇ ತಿಳಿದಿದೆ. ಆದ್ದರಿಂದ ಸ್ಪೀಕರ್-ಲೇಬಲ್ ಸೆಟ್ಟಿಂಗ್‌ಗೆ ಮೂರು ಸ್ಥಾನಗಳಿವೆ, ಮತ್ತು ಅವು ರಿಯಲ್‌ಟೈಮ್ ಸೆಷನ್, ಬ್ರಾಡ್‌ಕಾಸ್ಟ್, ಟ್ರಾನ್ಸ್‌ಕ್ರಿಪ್ಷನ್ ಮತ್ತು ರೆಕಾರ್ಡಿಂಗ್‌ನಲ್ಲಿ ಒಂದೇ ಆಗಿವೆ.

• ಆಫ್. ಸ್ಪೀಕರ್ ಲೇಬಲ್‌ಗಳಿಲ್ಲದ ಸರಳ ಪಠ್ಯ; ಏನನ್ನೂ ಬೇರ್ಪಡಿಸಲಾಗುವುದಿಲ್ಲ ಮತ್ತು ಲೇಬಲ್ ಮಾಡಲಾಗುವುದಿಲ್ಲ. ಆಯ್ಕೆ ಹೊಂದಿಸದಿದ್ದಾಗ ಇದು ರಿಯಲ್‌ಟೈಮ್ API ಮತ್ತು ಖಾತೆ ಸೆಟ್ಟಿಂಗ್‌ಗಳಲ್ಲಿ ಡೀಫಾಲ್ಟ್ ಆಗಿರುತ್ತದೆ.
• ಅಗತ್ಯವಿದ್ದಾಗ (API ನಲ್ಲಿ auto). ಒಂದಕ್ಕಿಂತ ಹೆಚ್ಚು ಧ್ವನಿ ಕೇಳಿಸಿದಾಗ ಸಾಲುಗಳನ್ನು ಅವರ ಸ್ಪೀಕರ್‌ನೊಂದಿಗೆ ಲೇಬಲ್ ಮಾಡಲಾಗುತ್ತದೆ; ಒಬ್ಬ ಸ್ಪೀಕರ್ ಇರುವ ಧ್ವನಿಮುದ್ರಣ ಸರಳ ಪಠ್ಯವಾಗಿಯೇ ಉಳಿಯುತ್ತದೆ, ಮತ್ತು ತಡವಾಗಿ ಸೇರುವ ಎರಡನೇ ಧ್ವನಿಯನ್ನೂ ಇನ್ನೂ ಗುರುತಿಸಲಾಗುತ್ತದೆ. ಡ್ಯಾಶ್‌ಬೋರ್ಡ್‌ನ ಹೊಸ ನೇರ ಟ್ರಾನ್ಸ್‌ಕ್ರಿಪ್ಷನ್ ಫಾರ್ಮ್ ಇದೇ ಸ್ಥಾನದಿಂದ ಆರಂಭವಾಗುತ್ತದೆ.
• ಆನ್. ಒಬ್ಬನೇ ವ್ಯಕ್ತಿ ಮಾತನಾಡುತ್ತಿದ್ದರೂ ಪ್ರತಿ ಸಾಲನ್ನೂ ಅದರ ಸ್ಪೀಕರ್‌ನೊಂದಿಗೆ ಲೇಬಲ್ ಮಾಡಲಾಗುತ್ತದೆ.

ಫೈಲ್ ಅಪ್‌ಲೋಡ್ ಅದೇ speakerLabels ಆಯ್ಕೆಯನ್ನು ಬಳಸುತ್ತದೆ, ಮತ್ತು ರಿಯಲ್‌ಟೈಮ್ API ಸ್ಟ್ರೀಮ್ ನಡುವೆ ಅದನ್ನು ಬದಲಾಯಿಸಲು ಅವಕಾಶ ನೀಡುತ್ತದೆ; ವಿವರಗಳು API ಉಲ್ಲೇಖ ನಲ್ಲಿವೆ. ಸ್ಪೀಕರ್ ಬೇರ್ಪಡಿಸುವಿಕೆ ಮತ್ತು ಹೆಸರಿಡುವಿಕೆ ಬಿಲ್‌ಗೆ ಎಂದಿಗೂ ಸೇರಿಸುವುದಿಲ್ಲ (ಬೆಲೆ ಪುಟ ದರ ಪಟ್ಟಿಯನ್ನು ಹೊಂದಿದೆ), ಆದ್ದರಿಂದ ಆಯ್ಕೆ ಓದುಗರು ಏನನ್ನು ನೋಡಬೇಕು ಎಂಬುದರ ಬಗ್ಗೆ, ಅದು ಎಷ್ಟು ಖರ್ಚಾಗುತ್ತದೆ ಎಂಬುದರ ಬಗ್ಗೆ ಅಲ್ಲ.

ಆನ್ ಮಾಡಿದಾಗ, ಡಯರೈಸೇಶನ್ ಒಳ್ಳೆಯದು, ಆದರೆ ಮ್ಯಾಜಿಕ್ ಅಲ್ಲ. ಇನ್ನೂ ಎರಡು ಸಂದರ್ಭಗಳು ಅದನ್ನು ಮೀರಿಸುತ್ತವೆ.

ಡಯರೈಸೇಶನ್ ಇನ್ನೂ ಏನು ಮಾಡಲಾಗದು, ಮತ್ತು ತಿದ್ದುಪಡಿಗಳು ಹೇಗೆ ನೆರವಾಗುತ್ತವೆ

ಮೊದಲನೆಯದು ಅತಿಕ್ರಮಣ. ಇಬ್ಬರು ಒಟ್ಟಿಗೆ ಮಾತನಾಡಿದಾಗ, ಆಡಿಯೊದ ಒಂದು ಭಾಗ ಎರಡು ಧ್ವನಿಗಳನ್ನು ಹೊತ್ತಿರುತ್ತದೆ. ಅತಿಕ್ರಮಣವನ್ನು ಅರಿಯುವ ಡಯರೈಸರ್‌ಗಳು ಸಂಶೋಧನೆಯಲ್ಲಿ ಇವೆ, ಮತ್ತು ಕ್ರಮೇಣ ಉತ್ಪನ್ನಗಳಲ್ಲಿಯೂ ಇವೆ: ಉದಾಹರಣೆಗೆ ಎಂಡ್-ಟು-ಎಂಡ್ ನ್ಯೂರಲ್ ಡಯರೈಸೇಶನ್ (EEND) "ಯಾರು ಮಾತನಾಡುತ್ತಿದ್ದಾರೆ" ಎಂಬುದನ್ನು ಒಂದೇ ಉತ್ತರದ ಬದಲು ಏಕಕಾಲದ ಹೌದು-ಅಥವಾ-ಇಲ್ಲ ಪ್ರಶ್ನೆಗಳ ಗುಂಪಾಗಿ ಪರಿಗಣಿಸುತ್ತದೆ. ಆದರೆ ಹೆಚ್ಚಿನ ಉತ್ಪಾದನಾ ವ್ಯವಸ್ಥೆಗಳು ಇನ್ನೂ ಪ್ರತಿ ಭಾಗಕ್ಕೆ ಒಬ್ಬನೇ ಸ್ಪೀಕರ್ ಅನ್ನು ನಿಯೋಜಿಸುತ್ತವೆ, ಮತ್ತು ಅವುಗಳ ಮೇಲಿನ ರೆಕಗ್ನೈಸರ್ ಒಂದು ಸಮಯದಲ್ಲಿ ಒಂದು ಧ್ವನಿಯನ್ನು ಮಾತ್ರ ಪ್ರತಿಲೇಖಿಸುತ್ತದೆ. ಬಿಸಿಯಾದ ಪ್ಯಾನಲ್‌ನಲ್ಲಿನ ಕ್ರಾಸ್‌ಟಾಕ್ ಕ್ಷೇತ್ರದಲ್ಲಿನ ಅತ್ಯಂತ ಕಠಿಣ ಆಡಿಯೊ, ಮತ್ತು ಪ್ರತಿ ವೆಂಡರ್‌ನ ಲೇಬಲ್‌ಗಳು ಅಲ್ಲಿ ಕೆಟ್ಟದಾಗುತ್ತವೆ. ನಂತರ ಎಲ್ಲರೂ ಉಲ್ಲೇಖಿಸಲು ಬಯಸುವ ಭಾಗವೂ ಅದೇ ಎಂಬುದು ಖಚಿತ.

ಎರಡನೆಯದು ಬಹಳ ಹೋಲುವ ಧ್ವನಿಗಳು. ಒಡಹುಟ್ಟಿದವರ ಧ್ವನಿಗಳ ಎಂಬೆಡ್ಡಿಂಗ್‌ಗಳು ವಿಶ್ವಾಸಾರ್ಹವಾಗಿ ಬೇರ್ಪಡಿಸಲು ತುಂಬಾ ಹತ್ತಿರವಾಗಿರಬಹುದು, ಅವರು ಒಂದು ಗಂಟೆ ಕಾಲ ಸಣ್ಣ ಸರದಿಗಳನ್ನು ಹಂಚಿಕೊಂಡಾಗ ಇನ್ನೂ ಹೆಚ್ಚು. ಟೆಲಿಫೋನ್ ಆಡಿಯೊ ಎಲ್ಲರಿಗೂ ಇದನ್ನು ಕೆಟ್ಟದಾಗಿಸುತ್ತದೆ: ನ್ಯಾರೋಬ್ಯಾಂಡ್ ಲೈನ್ ಅನ್ನು 8 kHz ನಲ್ಲಿ ಸ್ಯಾಂಪಲ್ ಮಾಡಲಾಗುತ್ತದೆ ಮತ್ತು ಸುಮಾರು 3.4 kHz ವರೆಗೆ ಮಾತ್ರ ಸಾಗಿಸುತ್ತದೆ, ಆದರೂ ಒಂದು ಧ್ವನಿಯನ್ನು ಇನ್ನೊಂದರಿಂದ ಬೇರ್ಪಡಿಸುವುದು ಆ ಕಟ್-ಆಫ್‌ಗಿಂತ ಮೇಲಿನ ಭಾಗದಲ್ಲಿ ಹೆಚ್ಚಾಗಿ ಇರುತ್ತದೆ. ಒಂದೇ ಫೋನ್ ಲೈನ್‌ನಲ್ಲಿರುವ ಇಬ್ಬರು ನಿಮಗೆ ಕೇಳಿಸುವುದಕ್ಕಿಂತ ಡಯರೈಸರ್‌ಗೆ ಹೆಚ್ಚು ಒಂದೇ ರೀತಿ ಕೇಳಿಸುತ್ತಾರೆ.

ಎರಡಕ್ಕೂ ಅತ್ಯಂತ ಪ್ರಾಯೋಗಿಕ ಪರಿಹಾರ ಯಾವುದೇ ಮಾದರಿಗಿಂತ ಮೊದಲು ಇದೆ: ಪ್ರತಿಯೊಬ್ಬರಿಗೂ ತಮ್ಮದೇ ಮೈಕ್ರೋಫೋನ್ ನೀಡಿ. ಪ್ರತಿ ಸ್ಪೀಕರ್‌ಗೆ ಒಂದು ಚಾನೆಲ್ ಇದ್ದರೆ, ಡಯರೈಸೇಶನ್ ಯಾವ ಚಾನೆಲ್ ಜೋರಾಗಿದೆ ಎಂದು ಕೇಳುವುದಕ್ಕೆ ಇಳಿಯುತ್ತದೆ, ಅತಿಕ್ರಮಣ ಒಂದೇ ಮಸುಕಾದ ಟ್ರ್ಯಾಕ್ ಬದಲು ಎರಡು ಸ್ಪಷ್ಟ ಟ್ರ್ಯಾಕ್‌ಗಳಾಗುತ್ತದೆ, ಮತ್ತು ಎಂಬೆಡ್ಡಿಂಗ್‌ಗಳನ್ನು ಕಠಿಣ ಕೆಲಸ ಮಾಡಲು ಕೇಳಲೇ ಇಲ್ಲ. ಒಂದೇ ಟೇಬಲ್ ಮೈಕ್ರೋಫೋನ್ ಅಗ್ಗ ಮತ್ತು ಬಹುತೇಕ ಯಾವಾಗಲೂ ನಿಮ್ಮ ಬಳಿ ಇರುವುದು; ಅದಕ್ಕಾಗಿಯೇ ಈ ಲೇಖನದ ಉಳಿದ ಭಾಗ ಅಸ್ತಿತ್ವದಲ್ಲಿದೆ.

ಈ ಎರಡು ಮಿತಿಗಳೂ ಓದುಗರನ್ನು ತಲುಪಬೇಕಾಗಿಲ್ಲ. ಲೇಬಲ್‌ಗಳು ಪದಗಳ ಮೇಲಿನ ಪದರವಾದ್ದರಿಂದ, ತಪ್ಪು ಲೇಬಲ್ ಎಂದಿಗೂ ಪಠ್ಯವನ್ನು ಕಳೆದುಕೊಳ್ಳುವುದಿಲ್ಲ: ಧ್ವನಿಮುದ್ರಣದ ಯಾವುದೇ ಹಂತದಲ್ಲಿ ಸ್ಪೀಕರ್ ಹೆಸರುಗಳನ್ನು ಹೊಂದಿಸಬಹುದು ಅಥವಾ ತೆಗೆಯಬಹುದು, ಮತ್ತು ನೇರ ಟ್ರಾನ್ಸ್‌ಕ್ರಿಪ್ಷನ್‌ನಲ್ಲಿ ಹೋಸ್ಟ್ ನಡೆಯುತ್ತಿರುವಾಗಲೇ ಯಾವುದೇ ಪದ ಅಥವಾ ಸಾಲನ್ನು ಮರುಬರೆಯಬಹುದು, ಪ್ರತಿ ಸರಿಪಡಿಸುವಿಕೆ ಗುರುತಿಸಲ್ಪಟ್ಟು ರದ್ದುಗೊಳಿಸಬಹುದಾದದ್ದಾಗಿರುತ್ತದೆ.

ಪದಗಳ ಭಾಗಕ್ಕಾಗಿ, ವರ್ಡ್ ಎರರ್ ರೇಟ್ ಏನನ್ನು ಅಳೆಯುತ್ತದೆ ಮತ್ತು ಏನನ್ನು ತಪ್ಪಿಸುತ್ತದೆ ಎಂಬುದು ತಿದ್ದುಪಡಿ ಪದರಗಳನ್ನು ವಿವರವಾಗಿ ವಿವರಿಸುತ್ತದೆ; WER ರೆಕಗ್ನೈಸರ್‌ಗೆ ಯಾವುದು DER ಡಯರೈಸರ್‌ಗೆ ಹೋಲುತ್ತದೆಯೋ ಅದೇ, ಮತ್ತು ಒಂದು ಪ್ರತಿಲಿಪಿಗೆ ಎರಡೂ ಕಡಿಮೆ ಇರಬೇಕು.