Означената транскрипција бара двата одговора да бидат точни, а бидејќи ознаките се наоѓаат над зборовите, погрешната може да се поправи без да се менува текстот.
Транскрипцијата на една средба одговара на две прашања истовремено: што е кажано и кој го кажал. Читателот гледа една работа: име покрај секоја реплика. Под тоа стојат два проблеми, секој со свои влезни податоци и свои начини на грешка.
Препознавањето говор ги слуша зборовите. Аудиото го претвора во текст и, кога е добро направено, дава почетно и крајно време за секој збор. Не го интересира дали гласот се променил на половина реченица; неговата задача е реченицата да биде точна.
Дијаризацијата на говорници ги слуша гласовите. Не знае зборови. Нејзината задача е да ја подели временската линија на реплики и да каже кои реплики припаѓаат на истата личност: Говорник 1, Говорник 2. Зборот е изведен од англискиот „diary“ (дневник), и тоа е точна слика за излезот: дневник на тоа кој имал збор и кога.
Три сродни термини често се мешаат со неа. Дијаризацијата кажува кој кога зборувал, без да знае кој е тоа. Идентификација на говорник кажува на која позната личност му припаѓа одреден говор, избирајќи од збир зачувани гласови. Верификација на говорник дава одговор да или не: дали овој глас навистина е на личноста X? Тврдењата на продавачите стануваат поразбирливи кога овие три се одделени, бидејќи „ознаките на говорници“ можат да значат сè, од груба проценка на границите на репликите до имиња што ја следат истата личност од една снимка до друга. За да видиме што тие ознаки можат и не можат да ветат, погледнете внатре во дијаризаторот.
Повеќето системи за дијаризација работат во три чекори, ниту еден не вклучува јазик.
Секој чекор може да згреши сам. Тивок говорник се пропушта. Два слични гласа се спојуваат. Една личност што од смирена преминува во возбудена се дели на две.
Областа сето ова го мери со стапката на дијаризациска грешка, DER: делот од времето на говорот што е пропуштен, погрешно детектиран како говор или припишан на погрешен говорник, обично со толеранциска зона од околу една четвртина секунда околу секоја граница. Таа зона постои затоа што никој, ниту човек ниту машина, не може да ја постави промената на говорникот до милисекунда. Таа толеранција е во ред за оценување на самиот дијаризатор. Не е во ред за транскрипција, каде граница поместена за една четвртина секунда паѓа на збор.
Тука се сретнуваат двата проблеми и тука се одлучува квалитетот на означената транскрипција. Дијаризаторот ги поставува границите со одредена неточност, често дел од секунда во една или друга насока. Препознавачот ги става зборовите на истата временска линија. Ако едното наложиме врз другото без обработка, граница ќе падне во средина на збор, па половина од „утре“ ќе припаѓа на Говорник 1, а другата половина на Говорник 2.
Ознаките може да бидат погрешни извесно време пред да бидат точни. Дијаризаторот станува посигурен во своите групи колку повеќе аудио слушнал, па рана ознака може да изгледа погрешна според она што дошло подоцна. Кај транскрипција во живо, ознаката може да се ревидира откако редот ќе се прикаже: VocalStack realtime API испраќа рамка transcript.amended, која го коригира текстот или говорникот на веќе предадениот ред на место, па читателот ја гледа ревизијата, а не противречност.
Дури и совршено поставена, совршено стабилна ознака е сепак само број. Број е доволен за да се следи разговор; име е она што луѓето сакаат да го прочитаат.
Ознаката станува име на два начина, и едниот се надградува врз другиот.
Првиот е именување во рамките на една снимка. Секој говорник што транскрипцијата го најде добива индекс, броен од 0. Секој со пристап може да го именува секој говорник за време на снимањето или по него. Името е слој врз зборовите, па може да се постави, промени или исчисти без да се допре текстот. Преку API-то тоа е PUT /v1/recordings/{id}/speakers/{idx} со name; празно име ја брише ознаката. Ред чиј speaker е -1 нема ознака, или затоа што ознаките биле исклучени или, во драфт во живо, затоа што редот сè уште не е припишан на говорник.
Вториот е препознавање низ снимките, проблемот со идентификација од првиот дел. Дијаризаторот може да каже дека два гласа се различни, никогаш кои се. За да се премине од „различни“ во „ова е Ана“, системот има потреба од референца: зачуван глас, земен од снимка на таа една личност. Минимумот се триесет секунди чист говор, а неколку минути се подобри. Примерокот треба да звучи како снимките со кои ќе се споредува: истата личност на микрофон од лаптоп и на микрофон од сцена може на машината да звучи помалку слично отколку двајца непознати, снимени на ист начин. Откако еден глас ќе се зачува, секој говорник што ќе го слушне транскрипцијата се споредува со него, а поклопувањето го пренесува името во транскрипцијата. Во VocalStack ова се наоѓа под Voices; транскрипциите на датотеки и живите сесии во контролната табла автоматски се поклопуваат со вашите зачувани гласови, а сесијата преку realtime API препознава само гласовите што ќе ги наведете во identifyVoices.
Зачуван глас е биометриски податок: може да препознае личност во која било снимка, а во VocalStack служи и како клон што може да ги прочита нејзините реплики наглас. Контролната табла бара да потврдите дека имате дозвола од личноста пред да зачувате глас, а гласот може да се избрише во секое време.
Сето ова претпоставува дека воопшто сакате ознаки. Често не сакате.
Едно лице што чита предавање не треба „Говорник 1“ пред секоја реплика. Публиката веќе знае кој го има микрофонот. Затоа прекинувачот за ознаки на говорници има три положби, и тие се исти на сесија во realtime, на пренос, на транскрипција и на снимка.
auto во API). Редовите се означуваат со својот говорник штом ќе се слушне повеќе од еден глас; снимка со еден говорник останува обичен текст, а втор глас што се приклучува подоцна сè уште се открива. Новата форма за транскрипција во живо во контролната табла почнува овде.Прикачувањето датотека ја зема истата опција speakerLabels, а realtime API дозволува промена во текот на протокот; деталите се во API референцата. Одвојувањето и именувањето на говорниците никогаш не го зголемуваат сметката (страницата со цени ја има ценовникот), па изборот е за тоа што читателот треба да го види, а не за тоа што чини.
Кога е вклучена, дијаризацијата е добра, но не е магија. Две ситуации сè уште ја надминуваат.
Првата е преклопување. Кога двајца зборуваат истовремено, еден дел од аудиото носи два гласа. Дијаризаторите што можат да го фатат преклопувањето постојат во истражувањата и сè почесто во производите: на пример, end-to-end невронската дијаризација (EEND) го третира прашањето „кој зборува“ како низа истовремени да-или-не прашања, наместо како еден одговор. Сепак, повеќето производствени системи и понатаму доделуваат по еден говорник на секој дел, а препознавачот ги транскрибира гласовите еден по еден. Истовремено зборување во жестока дебата е најтешкото аудио во областа, и секој добавувач таму ги има ознаките полоши. Исто така, тоа е делот што сите сигурно сакаат да го цитираат подоцна.
Втората се многу слични гласови. Браќа и сестри може да произведат вградувања премногу блиски за поуздано раздвојување, а уште повеќе кога менуваат кратки реплики една со друга цел час. Телефонското аудио ова го влошува за сите: телефонска линија со тесен опсег се семплира со 8 kHz и не носи ништо над околу 3,4 kHz, иако голем дел од она што го разликува еден глас од друг лежи над таа граница. Двајца на иста телефонска линија звучат послично на дијаризатор отколку на вас.
Најпрактичниот лек за двете е пред кој било модел: секоја личност да има свој микрофон. Со по еден канал за секој говорник, дијаризацијата се сведува на прашањето кој канал е гласен, преклопувањето станува две чисти ленти наместо една замаглена, а вградувањата никогаш не мора да го прават тешкиот дел. Еден микрофон на маса е поевтин и речиси секогаш е тоа што го имате, затоа остатокот од статијава постои.
Ниту едно ограничување не мора да стигне до читателот непроменето. Бидејќи ознаките се слој врз зборовите, погрешната ознака никогаш не ве чини текстот: имињата на говорниците може да се постават или исчистат на снимката во која било точка, а при транскрипција во живо домаќинот може да пренапише кој било збор или ред додека тече, со секоја поправка означена и со можност за враќање.
За делот со зборовите, што мери стапката на грешки во зборовите и што промашува ги опфаќа слоевите на корекција подетално; WER е за препознавачот она што е DER за дијаризаторот, а една транскрипција треба да има ниски вредности и на двете.