Transkrip berlabel memerlukan kedua-dua jawapan betul, dan oleh kerana label terletak di atas perkataan, label yang salah boleh dibetulkan tanpa menyentuh teks.
Transkrip mesyuarat menjawab dua soalan serentak: apa yang dikatakan, dan siapa yang mengatakannya. Pembaca melihat satu tugas, iaitu nama di sebelah setiap baris. Di sebalik itu terdapat dua masalah, dengan input dan cara kegagalan masing-masing.
Pengecaman pertuturan mendengar perkataan. Ia menukar audio kepada teks dan, apabila dilakukan dengan baik, memberikan masa mula dan masa tamat bagi setiap perkataan. Ia tidak peduli sama ada suara berubah di tengah ayat; tugasnya ialah memastikan ayat itu betul.
Diarisasi penutur mendengar suara. Ia tidak tahu perkataan. Tugasnya ialah membahagikan garis masa kepada giliran dan menyatakan giliran mana yang tergolong pada orang yang sama: Speaker 1, Speaker 2. Perkataan ini dipinjam daripada "diary", dan itu gambaran yang sesuai bagi outputnya: log tentang siapa yang memegang lantai, dan bila.
Tiga istilah berdekatan sering dikelirukan dengannya. Diarisasi memberitahu siapa yang bercakap bila, tanpa mengenali sesiapa. Pengenalan penutur memberitahu bahawa sekeping pertuturan tertentu milik orang yang dikenali, dengan memilih daripada satu set suara yang didaftarkan. Pengesahan penutur menjawab soalan ya-atau-tidak: adakah suara ini benar-benar milik orang X? Tuntutan vendor lebih mudah difahami apabila ketiga-tiganya dipisahkan, kerana "label penutur" boleh membawa maksud apa-apa sahaja, daripada tekaan kasar sempadan giliran hingga nama yang mengikuti seseorang merentasi rakaman demi rakaman. Untuk melihat apa yang boleh dijanjikan oleh label tersebut, lihat ke dalam diarisasi itu sendiri.
Kebanyakan sistem diarisasi berfungsi dalam tiga langkah, tanpa melibatkan bahasa sama sekali.
Setiap langkah boleh silap dengan sendirinya. Penutur yang perlahan terlepas. Dua suara yang serupa digabungkan. Seorang yang beralih daripada tenang kepada bersemangat boleh terbelah kepada dua.
Bidang ini menilai semua ini dengan kadar ralat diarisasi, DER: bahagian masa pertuturan yang terlepas, dikesan palsu sebagai pertuturan, atau diberikan kepada penutur yang salah, biasanya dengan kolar pemaafan kira-kira suku saat di sekeliling setiap sempadan. Kolar itu wujud kerana tiada sesiapa, sama ada manusia atau mesin, boleh meletakkan perubahan penutur tepat hingga milisaat. Toleransi itu memadai untuk menilai diarisasi secara berasingan. Ia tidak memadai untuk transkrip, kerana sempadan yang tersasar suku saat akan jatuh pada perkataan.
Di sinilah kedua-dua masalah bertemu, dan di sinilah kualiti transkrip berlabel ditentukan. Diarisasi meletakkan sempadannya dengan sedikit ketidaktepatan, selalunya sebahagian kecil saat ke kiri atau kanan. Pengecam meletakkan perkataan pada garis masa yang sama. Jika kedua-duanya diletakkan bertindih secara naif, sempadan akan jatuh di dalam satu perkataan, jadi separuh perkataan "esok" milik Speaker 1 dan separuh lagi milik Speaker 2.
Label juga boleh salah untuk seketika sebelum menjadi betul. Diarisasi semakin yakin dengan kumpulannya semakin banyak audio yang didengarinya, jadi label awal boleh kelihatan salah jika diukur dengan apa yang muncul kemudian. Dalam transkrip langsung, label boleh disemak selepas baris dipaparkan: API masa nyata VocalStack menghantar bingkai transcript.amended yang membetulkan teks atau penutur bagi baris yang telah dimuktamadkan di tempatnya, supaya pembaca melihat semakan dan bukannya percanggahan.
Malah label yang diletakkan dengan sempurna dan stabil pun hanyalah satu nombor. Nombor cukup untuk mengikuti perbualan; nama ialah apa yang ingin dibaca orang.
Label menjadi nama dengan dua cara, dan kedua-duanya saling membina.
Yang pertama ialah pemberian nama dalam satu rakaman. Setiap penutur yang dijumpai transkripsi diberi indeks, bermula daripada 0. Sesiapa yang mempunyai akses boleh menamakan setiap penutur semasa atau selepas rakaman. Nama itu ialah lapisan di atas perkataan, jadi ia boleh ditetapkan, diubah atau dipadamkan tanpa menyentuh teks. Melalui API, ia ialah PUT /v1/recordings/{id}/speakers/{idx} dengan name; nama kosong memadamkan label. Baris yang nilai speaker-nya ialah -1 tidak mempunyai label, sama ada kerana label dimatikan atau, dalam draf langsung, kerana baris itu belum dikaitkan dengan penutur.
Yang kedua ialah pengecaman merentasi rakaman, masalah pengenalan daripada bahagian pertama. Diarisasi hanya boleh memberitahu bahawa dua suara itu berbeza, tidak pernah siapa mereka. Untuk beralih daripada "berbeza" kepada "ini Ana", sistem memerlukan rujukan: suara yang disimpan, diambil daripada rakaman orang itu. Tiga puluh saat pertuturan yang bersih ialah minimum, dan beberapa minit adalah lebih baik. Sampel itu juga sepatutnya berbunyi seperti rakaman yang akan dipadankan dengannya: orang yang sama pada mikrofon komputer riba dan pada mikrofon pentas boleh kedengaran kurang serupa bagi mesin berbanding dua orang asing yang dirakam dengan cara yang sama. Apabila suara disimpan, setiap penutur yang didengar transkripsi dibandingkan dengannya, dan padanan membawa nama itu ke dalam transkrip. Dalam VocalStack, ini terdapat di bawah Voices; transkripsi fail dan sesi langsung Papan Pemuka memadankan suara anda yang disimpan secara automatik, dan sesi API masa nyata hanya mengecam suara yang anda senaraikan dalam identifyVoices.
Suara yang disimpan ialah data biometrik: ia boleh mengecam seseorang dalam mana-mana rakaman, dan dalam VocalStack ia juga berfungsi sebagai klon yang boleh membacakan baris mereka dengan kuat. Papan Pemuka meminta anda mengesahkan bahawa anda mempunyai kebenaran orang itu sebelum menyimpan suara, dan suara boleh dipadamkan pada bila-bila masa.
Semua ini mengandaikan anda mahukan label. Selalunya anda tidak mahu.
Seorang individu yang membaca kuliah tidak memerlukan "Speaker 1" di hadapan setiap baris. Hadirin sudah tahu siapa yang memegang mikrofon. Oleh itu, tetapan label penutur mempunyai tiga kedudukan, dan kedudukannya sama pada sesi masa nyata, siaran, transkripsi dan rakaman.
auto dalam API). Baris dilabel dengan penuturnya sebaik sahaja lebih daripada satu suara didengar; rakaman satu penutur kekal sebagai teks biasa, dan suara kedua yang menyertai lewat masih dikesan. Borang transkripsi langsung baharu pada Papan Pemuka bermula di sini.Muat naik fail menerima pilihan speakerLabels yang sama, dan API masa nyata membenarkan anda menukarnya di pertengahan aliran; butirannya ada dalam rujukan API. Pengasingan dan penamaan penutur tidak pernah menambah kepada bil (halaman harga mempunyai kadar), jadi pilihan itu adalah tentang apa yang sepatutnya dilihat pembaca, bukan apa kosnya.
Apabila diaktifkan, diarisasi adalah baik tetapi bukan ajaib. Dua keadaan masih mengalahkannya.
Yang pertama ialah pertindihan. Apabila dua orang bercakap serentak, satu bahagian audio membawa dua suara. Diarisasi yang mengendalikan pertindihan wujud dalam penyelidikan dan, semakin meluas, dalam produk: diarisasi neural hujung-ke-hujung (EEND), misalnya, menganggap "siapa yang bercakap" sebagai satu set soalan ya-atau-tidak serentak dan bukannya satu jawapan. Namun, kebanyakan sistem pengeluaran masih memberikan satu penutur bagi setiap bahagian, dan pengecam di atasnya mentranskripsikan satu suara pada satu masa. Pertindihan dalam panel yang hangat ialah audio paling sukar dalam bidang ini, dan label setiap vendor menjadi lebih teruk di situ. Ia juga, sudah pasti, bahagian yang semua orang mahu petik selepas itu.
Yang kedua ialah suara yang sangat serupa. Adik-beradik boleh menghasilkan pembenaman yang terlalu hampir untuk dipisahkan dengan pasti, lebih-lebih lagi apabila mereka bertukar-tukar giliran pendek selama sejam. Audio telefon memburukkan keadaan untuk semua orang: talian jalur sempit disampel pada 8 kHz dan tidak membawa apa-apa melebihi kira-kira 3.4 kHz, namun banyak perkara yang membezakan satu suara daripada yang lain terletak di atas had itu. Dua orang pada talian telefon yang sama kedengaran lebih serupa kepada diarisasi berbanding kepada anda.
Penyelesaian yang paling praktikal bagi kedua-duanya terletak di hulu mana-mana model: beri setiap orang mikrofon sendiri. Dengan satu saluran bagi setiap penutur, diarisasi berkurang kepada bertanya saluran mana yang kuat, pertindihan menjadi dua trek bersih dan bukannya satu trek yang keruh, dan pembenaman tidak perlu melakukan kerja yang sukar. Satu mikrofon meja adalah lebih murah dan hampir selalu itulah yang anda ada, sebab itulah bahagian selebihnya artikel ini wujud.
Tiada had ini perlu sampai kepada pembaca tanpa diubah. Oleh kerana label ialah lapisan di atas perkataan, label yang salah tidak pernah menelan teks anda: nama penutur boleh ditetapkan atau dipadamkan pada rakaman pada bila-bila masa, dan dalam transkripsi langsung hos boleh menulis semula mana-mana perkataan atau baris semasa ia masih berjalan, dengan setiap pembetulan ditanda dan boleh dibatalkan.
Untuk bahagian perkataan, apa yang diukur oleh kadar ralat perkataan dan apa yang terlepas daripadanya meliputi lapisan pembetulan secara terperinci; WER kepada pengecam adalah seperti DER kepada diarisasi, dan transkrip memerlukan kedua-duanya rendah.