Marķēts transkripts ir pareizs tikai tad, ja abas atbildes ir pareizas, un, tā kā etiķetes atrodas virs vārdiem, nepareizu var labot, nepieskaroties tekstam.
Sapulces transkripts vienlaikus atbild uz diviem jautājumiem: ko tika teikts un kas to teica. Lasītājs redz vienu uzdevumu – vārds blakus rindai. Zem tā slēpjas divas problēmas, katrai ar saviem ievaddatiem un savu kļūmju veidu.
Runas atpazīšana klausās vārdos. Tā pārvērš audio tekstā un, labi strādājot, dod sākuma un beigu laiku katram vārdam. Tai nav svarīgi, vai balss teikuma vidū nemainījās; tās uzdevums ir pareizi uztvert teikumu.
Runātāju diarizācija klausās balsīs. Tā nezina nevienu vārdu. Tās uzdevums ir sadalīt laika līniju replikās un noteikt, kuras replikas pieder vienai un tai pašai personai: Runātājs 1, Runātājs 2. Vārds cēlies no angļu valodas vārda „diary” (dienasgrāmata), un tas labi atspoguļo izvadi: žurnāls par to, kas turēja vārdu un kad.
Ar to bieži sajauc trīs tuvus terminus. Diarizācija saka, kurš runāja kad, nezinot nevienu konkrētu personu. Runātāju identifikācija norāda, kurai zināmai personai pieder kāda runas daļa, izvēloties no reģistrētu balsu kopas. Runātāju verifikācija atbild uz jautājumu „jā” vai „nē”: vai šī balss tiešām pieder personai X? Piegādātāju apgalvojumi kļūst vieglāk saprotami, kad šos trīs nošķir, jo „runātāju etiķetes” var nozīmēt jebko – no aptuvena replikas robežu minējuma līdz vārdiem, kas seko personai no viena ieraksta uz nākamo. Lai saprastu, ko šīs etiķetes var un ko nevar apsolīt, jāskatās iekšā diarizatorā.
Vairums diarizācijas sistēmu darbojas trijos soļos, un neviens no tiem nav saistīts ar valodu.
Katrs solis var kļūt nepareizs pats par sevi. Kluss runātājs tiek palaists garām. Divas līdzīgas balsis tiek apvienotas. Viens cilvēks, kas no mierīga pārejas uz satrauktu, tiek sadalīts divos.
Nozare visu to vērtē ar diarizācijas kļūdas līmeni (DER): tā ir runas laika daļa, kas tika palaista garām, kļūdaini atzīta par runu vai piedēvēta nepareizam runātājam, parasti ar piedošanas joslu ap katru robežu – apmēram ceturtdaļsekundi. Šī josla pastāv tāpēc, ka neviens – ne cilvēks, ne mašīna – nevar noteikt runātāju maiņu ar milisekundes precizitāti. Šāda pielaide ir pieņemama, vērtējot pašu diarizatoru. Transkriptam tā nav pieņemama: robeža, kas nobīdīta par ceturtdaļsekundi, nokrīt uz vārda.
Šeit abas problēmas satiekas, un šeit tiek izšķirta labi marķēta transkripta kvalitāte. Diarizators novieto robežas ar zināmu neprecizitāti, bieži par daļu sekundes uz vienu vai otru pusi. Atpazinējs novieto vārdus uz tās pašas laika līnijas. Ja abus uzliek viens uz otra nekontrolēti, robeža nokrīt vārda vidū, tā ka puse no „rītdien” pieder Runātājam 1, bet otra puse – Runātājam 2.
Etiķetes var būt arī kādu laiku nepareizas, pirms kļūst pareizas. Diarizators, jo vairāk audio ir dzirdējis, jo pārliecinātāks ir par savām grupām, tāpēc agrīna etiķete pēc vēlākā konteksta mēroga var šķist nepareiza. Tiešraides transkriptā etiķeti var pārskatīt pēc tam, kad rinda jau parādīta: VocalStack reāllaika API nosūta kadru transcript.amended, kas vietā labo jau fiksētas rindas tekstu vai runātāju, tāpēc lasītājs redz labojumu, nevis pretrunu.
Pat perfekti novietota, perfekti stabila etiķete joprojām ir tikai skaitlis. Skaitlis ir pietiekams, lai sekotu sarunai; vārds ir tas, ko cilvēki vēlas lasīt.
Etiķete kļūst par vārdu divos veidos, un tie viens otru papildina.
Pirmais ir nosaukšana vienā ierakstā. Katram runātājam, ko transkripcija atrod, tiek piešķirts indekss, skaitot no 0. Ikviens ar piekļuvi var nosaukt katru runātāju ierakstīšanas laikā vai pēc tam. Vārds ir slānis virs vārdiem, tāpēc to var iestatīt, mainīt vai notīrīt, nepieskaroties tekstam. API tas ir PUT /v1/recordings/{id}/speakers/{idx} ar name; tukšs vārds notīra. Rinda, kuras speaker ir -1, nav marķēta – vai nu tāpēc, ka etiķetes bija izslēgtas, vai, tiešraides melnrakstā, tāpēc, ka rinda vēl nav piešķirta runātājam.
Otrais ir atpazīšana starp ierakstiem – identifikācijas problēma no pirmās sadaļas. Diarizators var pateikt tikai to, ka divas balsis ir atšķirīgas, nekad – kas tās ir. Lai no „atšķirīgas” nonāktu līdz „šī ir Ana”, sistēmai vajag atsauci: saglabātu balsi, kas ņemta no ieraksta ar šo vienu personu. Minimums ir trīsdesmit sekundes tīras runas, labāk – dažas minūtes. Paraugam jāskan līdzīgi ierakstiem, ar kuriem to salīdzinās: viena un tā pati persona klēpjdatora mikrofonā un skatuves mikrofonā mašīnai var skanēt mazāk līdzīgi nekā divi svešinieki, kas ierakstīti vienādi. Kad balss ir saglabāta, katrs runātājs, ko dzird transkripcija, tiek salīdzināts ar to, un sakritība pārnes vārdu transkriptā. VocalStack tas atrodas sadaļā Balsis; failu transkripcijas un vadības paneļa tiešraides sesijas automātiski sakrīt ar jūsu saglabātajām balsīm, bet reāllaika API sesija atpazīst tikai tās balsis, kuras uzskaitāt identifyVoices.
Saglabāta balss ir biometriski dati: tā var atpazīt personu jebkurā ierakstā, un VocalStack tā kalpo arī kā klons, kas var nolasīt tās personas teikto skaļi. Vadības panelis pirms balss saglabāšanas prasa apstiprināt, ka jums ir personas atļauja, un balss jebkurā brīdī var tikt dzēsta.
Tas viss pieņem, ka etiķetes vispār vēlaties. Bieži vien nevēlaties.
Viens cilvēks, kas lasa lekciju, nevajag „Runātājs 1” pirms katras rindas. Auditorija jau zina, kam ir mikrofons. Tāpēc runātāju etiķešu iestatījumam ir trīs pozīcijas, un tās ir vienādas tiešraides sesijā, pārraidē, transkripcijā un ierakstā.
auto API). Rindas tiek marķētas ar runātāju, tiklīdz tiek dzirdētas vairāk nekā viena balss; ieraksts ar vienu runātāju paliek vienkāršs teksts, bet otra balss, kas pievienojas vēlāk, joprojām tiek pamanīta. Vadības paneļa jaunā tiešraides transkripcijas forma sākas šajā pozīcijā.Failu augšupielādei ir tā pati opcija speakerLabels, un reāllaika API ļauj to mainīt straumēšanas laikā; detaļas atrodamas API atsaucē. Runātāju nodalīšana un nosaukšana nekad nepalielina rēķinu (tarifi ir cenu lapā), tāpēc izvēle attiecas uz to, ko lasītājam vajadzētu redzēt, nevis uz to, cik tas maksā.
Ieslēgta diarizācija ir laba, bet ne burvīga. Divas situācijas tai joprojām ir grūtas.
Pirmā ir pārklāšanās. Kad divi cilvēki runā vienlaikus, vienā audio posmā ir divas balsis. Pārklāšanos apzinoši diarizatori pastāv pētniecībā un arvien biežāk arī produktos: piemēram, pilnībā neironu diarizācija (EEND) traktē jautājumu „kurš runā” kā vienlaicīgu jā-vai-nē jautājumu kopu, nevis kā vienu atbildi. Tomēr lielākā daļa ražošanas sistēmu joprojām piešķir vienu runātāju katram posmam, un virs tām esošais atpazinējs transkribē vienu balsi vienlaikus. Pārrunas karstā paneļdiskusijā ir visgrūtākais audio nozarē, un katra piegādātāja etiķetes tur kļūst sliktākas. Tā ir arī tā daļa, ko visi pēc tam noteikti vēlas citēt.
Otrā ir ļoti līdzīgas balsis. Brāļiem un māsām var būt iegulumi, kas pārāk tuvu, lai tos uzticami atdalītu, jo īpaši, ja stundas garumā viņi apmainās ar īsām replikām. Telefona audio šo padara sliktāku visiem: šaurjoslas līnija tiek digitalizēta ar 8 kHz un nenes neko virs aptuveni 3,4 kHz, lai gan liela daļa no tā, kas atšķir vienu balsi no citas, atrodas virs šīs robežas. Divi cilvēki uz vienas telefona līnijas diarizatoram skan līdzīgāk nekā jums.
Visnoderīgākais risinājums abām problēmām ir pirms jebkura modeļa: katram cilvēkam savs mikrofons. Ar vienu kanālu katram runātājam diarizācija kļūst par jautājumu, kurš kanāls ir skaļāks; pārklāšanās kļūst par divām tīrām sliedēm, nevis vienu duļķainu; un iegulumiem nekad nav jāveic grūtais darbs. Viens galda mikrofons ir lētāks un gandrīz vienmēr tas, kas jums ir, tāpēc arī pastāv pārējais šis raksts.
Nevienai no šīm robežām nav jāsasniedz lasītājs neizmainītā veidā. Tā kā etiķetes ir slānis virs vārdiem, nepareiza etiķete nekad nepadara jūs bez teksta: runātāju vārdus ierakstā var iestatīt vai notīrīt jebkurā brīdī, bet tiešraides transkripcijā saimnieks var pārrakstīt jebkuru vārdu vai rindu, kamēr tā vēl darbojas, un katrs labojums tiek atzīmēts un var tikt atsaukts.
Vārdu pusē vārdu kļūdu līmenis (WER) – ko tas mēra un ko nepamana aplūko labojumu slāņus sīkāk; WER atpazinējam ir tas pats, kas DER diarizatoram, un transkriptam jābūt zemiem abiem.