Транскрипт са ознакама говорника захтева тачна оба одговора, а пошто ознаке стоје изнад речи, погрешна се може исправити а да се текст не дира.
Транскрипт састанка одговара на два питања истовремено: шта је речено и ко је то рекао. Читалац види један посао, име уз сваку реплику. Испод тога су два проблема, сваки са својим улазима и својим начинима на које може да откаже.
Препознавање говора слуша речи. Претвара аудио у текст и, кад је добро урађено, даје почетно и крајње време за сваку реч. Не занима га да ли се глас променио на пола реченице; његов посао је да реченица буде тачна.
Дијаризација говорника слуша гласове. Не зна речи. Њен посао је да временску линију подели на реплике и каже које реплике припадају истој особи: Speaker 1, Speaker 2. Реч је позајмљена из енглеске речи „diary” (дневник), и то је добра слика резултата: дневник о томе ко је држао реч и када.
С њом се често мешају три сродна појма. Дијаризација каже ко је када говорио, не знајући никога. Идентификација говорника каже којој познатој особи припада одломак говора, бирајући из скупа сачуваних гласова. Верификација говорника одговара на питање са да или не: да ли је овај глас заиста особа X? Изјаве произвођача постају лакше за читање кад се ова три одвоје, јер „ознаке говорника” могу значити било шта, од грубог погађања граница реплика до имена која прате особу из једног снимка у други. Да бисте видели шта те ознаке могу, а шта не могу да обећају, погледајте унутар дијаризатора.
Већина система за дијаризацију ради у три корака, ниједан не укључује језик.
Сваки корак може да погреши сам за себе. Тихог говорника систем пропусти. Два слична гласа споји у један. Једна особа која пређе из смирености у живост раздвоји се на две.
Струка све ово оцењује стопом грешке дијаризације, DER: удео времена говора који је пропуштен, лажно препознат као говор или приписан погрешном говорнику, обично уз толеранцију од око четвртине секунде око сваке границе. Та толеранција постоји зато што нико, ни човек ни машина, не може границу промене говорника да смести до милисекунде. Таква толеранција је у реду кад дијаризатор оцењујете сам за себе. За транскрипт није у реду, јер граница која промаши за четвртину секунде пада на реч.
Ту се два проблема састају, и ту се одлучује о квалитету транскрипта са ознакама. Дијаризатор поставља своје границе с извесном непрецизношћу, често за делић секунде у једну или другу страну. Препознавач поставља речи на исту временску линију. Наивно поставите једно преко другог, и граница ће пасти усред речи, па ће пола речи „сутра” припадати Speaker 1, а друга половина Speaker 2.
Ознаке могу и неко време бити погрешне пре него што буду тачне. Дијаризатор је сигурнији у своје групе што је више аудија чуо, па рана ознака може изгледати погрешно по мерилима онога што долази касније. У транскрипту уживо ознака се може ревидирати након што се ред прикаже: API у реалном времену у VocalStack-у шаље оквир transcript.amended који исправља текст или говорника већ потврђеног реда на месту, па читалац види ревизију, а не контрадикцију.
Ни савршено постављена, савршено стабилна ознака није ништа више од броја. Број је довољан да се прати разговор; име је оно што људи желе да прочитају.
Ознака постаје име на два начина, а један се надовезује на други.
Први је именовање унутар снимка. Сваки говорник који транскрипција пронађе добија индекс, бројан од 0. Свако ко има приступ може да именује сваког говорника током снимања или после њега. Име је слој над речима, па може да се постави, промени или уклони без дирања текста. Преко API-ја то је PUT /v1/recordings/{id}/speakers/{idx} са name; празно име брише именовање. Ред чији је speaker -1 нема ознаку, било зато што су ознаке биле искључене или, у живом нацрту, зато што ред још није приписан.
Други је препознавање између снимака, проблем идентификације из првог одељка. Дијаризатор може само да каже да су два гласа различита, никада ко су. Да би се од „различито” дошло до „ово је Ана”, систему је потребна референца: сачуван глас, узет из снимка те једне особе. Тридесет секунди чистог говора је минимум, а неколико минута је боље. Узорак треба да звучи и као снимци с којима ће се упоређивати: иста особа на микрофону лаптопа и на сценском микрофону може машини да звучи мање слично него два странца снимљена на исти начин. Кад је глас сачуван, сваки говорник који транскрипција чује упоређује се с њим, а поклапање носи име у транскрипт. У VocalStack-у ово се налази под Гласови; транскрипције фајлова и живе сесије на контролној табли аутоматски упоређују са сачуваним гласовима, а сесија API-ја у реалном времену препознаје само гласове које наведете у identifyVoices.
Сачуван глас су биометријски подаци: може да препозна особу у сваком снимку, а у VocalStack-у служи и као клон који може да прочита њене реплике наглас. Контролна табла од вас тражи да потврдите да имате дозволу особе пре чувања, а глас може да се обрише у било ком тренутку.
Све ово подразумева да уопште желите ознаке. Често не желите.
Један човек који чита предавање не треба испред сваке реплике да има „Speaker 1”. Публика већ зна ко има микрофон. Зато подешавање ознака говорника има три положаја, и исти су у сесији у реалном времену, преносу, транскрипцији и снимку.
auto у API-ју). Редови се обележавају говорником чим се чује више од једног гласа; снимак једног говорника остаје обичан текст, а други глас који се касније придружи и даље се препозна. Нови образац за транскрипцију уживо на контролној табли почиње овде.Отпремање фајла прима исту опцију speakerLabels, а API у реалном времену дозвољава да је промените усред тока; детаље имате у API документацији. Раздвајање и именовање говорника никад не повећавају рачун (у страници с ценама је ценовник), па избор зависи од тога шта читалац треба да види, а не од тога колико кошта.
Кад је укључена, дијаризација је добра, али није магија. Још две ситуације је савладавају.
Први је преклапање гласова. Кад два човека говоре истовремено, један део аудија носи два гласа. Дијаризатори који препознају преклапање постоје у истраживањима и све више у производима: на пример, неуронска дијаризација из краја у крај (EEND) питање „ко говори” третира као скуп истовремених питања са да или не, а не као један одговор. Већина произвођачких система, међутим, и даље додељује једног говорника по делу, а препознавач изнад њих транскрибује један глас у једном тренутку. Преклапање у жучној расправи је најтежи аудио у области, и ознаке сваког произвођача се тамо погоршавају. То је, поуздано, и део који сви касније желе да цитирају.
Други је врло слични гласови. Браћа и сестре могу да дају уграђивања сувише блиска да би се поуздано раздвојила, а тим пре кад за сат времена мењају кратке реплике. Телефонски аудио ово погоршава за све: уски опсег се узорковава на 8 kHz и не носи ништа изнад отприлике 3,4 kHz, а велики део онога што разликује један глас од другог лежи изнад те границе. Две особе на истој телефонској линији дијаризатору звуче сличније него вама.
Најпрактичнији лек за оба је пре било ког модела: дајте свакој особи сопствени микрофон. Са по једним каналом за сваког говорника, дијаризација се своди на питање који канал је гласан, преклапање постаје две чисте траке уместо једне мутне, а уграђивањима се никад не поставља тежак задатак. Један стони микрофон је јефтинији и скоро увек оно што имате, зато постоји остатак овог чланка.
Ниједно ограничење не мора да стигне до читаоца непромењено. Пошто су ознаке слој над речима, погрешна ознака вас никад не кошта текста: имена говорника могу да се поставе или уклоне на снимку у било ком тренутку, а у транскрипцији уживо домаћин може да препише било коју реч или ред док још траје, при чему је свака исправка обележена и може да се поништи.
Што се речи тиче, шта мери стопа грешке речи и шта промакне детаљно обрађује слојеве исправки; WER је за препознавач оно што је DER за дијаризатор, а транскрипт треба да има обе ниске.