Sprecherbezogene Transkription
Sprecherdiarisierung und Sprecheridentifikation im Vergleich
Die eine beantwortet mit anonymen Gruppen die Frage „Wer sprach wann?“. Die andere prüft, ob eine Stimme zu einer bekannten Person gehört. Eine Verwechslung führt zu falschen Einstellungen und Erwartungen.
Ein Transkript kann Teilnehmer unterscheiden, ohne zu wissen, wer sie sind. Es kann eine bekannte Stimme auch erst erkennen, nachdem diese registriert und abgeglichen wurde. Diese Aufgaben hängen zusammen, lösen aber unterschiedliche Probleme und scheitern auf unterschiedliche Weise.
Zwei getrennte Fragen
Sprecherdiarisierung: Wer sprach wann?
Die Diarisierung analysiert eine Aufnahme, erkennt Sprachbereiche, extrahiert Stimmmerkmale und gruppiert ähnliche Bereiche. Das Ergebnis ist eine Zeitleiste mit anonymen Gruppen:
00:00-00:12 Speaker_000:12-00:25 Speaker_100:25-00:41 Speaker_0
Das System muss den Namen keiner Person kennen. Dies ist für Interviews, Meetings, Podcasts und Anrufe nützlich, bei denen ein lesbares Transkript Sprecherwechsel zeigen soll.
Sprecheridentifikation: Welche bekannte Person ist das?
Die Identifikation vergleicht einen erkannten Sprecher mit einer Bibliothek bekannter Stimmproben. Überschreitet die Übereinstimmung einen Identitätsschwellenwert, kann eine anonyme Bezeichnung durch einen Namen ersetzt werden. In Owl Meeting wird diese Bibliothek lokal gespeichert und über die Seite „Sprecher“ verwaltet.
Die Identifikation erfordert eine Registrierung. Befindet sich eine Person nicht in der Bibliothek, kann das System allein aus der Aufnahme nicht auf ihre reale Identität schließen.
| Diarisierung | Identifikation | |
|---|---|---|
| Hauptfrage | Wer sprach wann? | Ist dies eine bekannte, registrierte Person? |
| Vorherige Proben | Nicht erforderlich | Für automatische Benennung erforderlich |
| Typische Bezeichnung | Speaker_0 | Alex, Priya, Interviewer |
| Wichtigste Einstellung | Sprecherzahl oder Clustering-Schwellenwert | Stimmabdrucksprache und Identitätsschwellenwert |
| Häufiger Fehler | Eine Person wird aufgeteilt oder zwei Personen werden zusammengeführt | Eine bekannte Person wird nicht oder falsch zugeordnet |
Funktionsweise des kombinierten Ablaufs
Wenn beide Funktionen für die Dateitranskription aktiviert sind, ist die Reihenfolge wichtig:
- Sprache erkennen. Die Aufnahme wird in Bereiche mit Sprache unterteilt.
- Stimmen gruppieren. Die Sprecherdiarisierung gruppiert Bereiche, die offenbar von derselben Stimme stammen.
- Bekannte Proben vergleichen. Die Identitätsmarkierung vergleicht jede entstandene Sprechergruppe mit der lokalen Stimmabdruckbibliothek.
- Namen bei erreichtem Schwellenwert zuweisen. Eine sichere Übereinstimmung ersetzt die vorläufige Bezeichnung; nicht zugeordnete Gruppen bleiben anonym.
- Text erkennen und prüfen. Die Spracherkennung erstellt das Transkript, und der Benutzer prüft Bezeichnungen und Wörter anhand des Quellaudios.
Einstellungen beeinflussen unterschiedliche Fehlerarten
Sprecherzahl
Ist die Teilnehmerzahl bekannt, bietet ihre Angabe dem Clustering eine nützliche Vorgabe. Die automatische Anzahl eignet sich bei unbekannter Zahl, das Ergebnis hängt dann aber stärker vom Clustering-Schwellenwert und von der Aufnahmequalität ab.
Clustering-Schwellenwert
Dieser Wert steuert, wie große Unterschiede der Diarisierungsprozess innerhalb einer Sprechergruppe toleriert. Eine zu empfindliche Einstellung kann eine Person auf mehrere Bezeichnungen verteilen. Eine zu großzügige Einstellung kann zwei ähnliche Stimmen zusammenführen. Testen Sie den Schwellenwert an einem Abschnitt mit echten Sprecherwechseln.
Stimmabdrucksprache
Owl Meeting bietet getrennte chinesische und englische Stimmabdruckmodelle. Die Stimmproben und Einstellungen der Dateitranskription benötigen kompatible Stimmabdrucksprachen; andernfalls kann der Identitätsabgleich scheitern, obwohl die Diarisierung selbst funktioniert.
Identitätsschwellenwert
Der Identitätsschwellenwert legt fest, wie stark eine Übereinstimmung sein muss, bevor ein bekannter Name zugewiesen wird. Ein höherer Wert verringert schwache Zuordnungen, kann aber bekannte Personen unbenannt lassen. Ein niedrigerer Wert kann mehr Segmente identifizieren, erhöht jedoch das Risiko eines falschen Namens. Bevorzugen Sie eine zurückhaltende automatische Benennung, wenn die Identität wichtig ist.
Brauchbare Stimmproben erstellen
Eine Stimmprobe sollte die Person abbilden, nicht den Raum. Verwenden Sie einen klaren Ausschnitt nur mit der Zielperson und vermeiden Sie Überschneidungen, laute Musik oder eine weitere Stimme im Hintergrund. Ein Abschnitt von 5 bis 30 Sekunden ist im aktuellen Owl Meeting-Ablauf ein praktikabler Bereich.
Dieselbe Person kann über Konferenzmikrofon, Telefonanruf, Headset oder ein entferntes Raummikrofon unterschiedlich klingen. Mehrere repräsentative Proben können helfen, wenn die verwendeten Aufnahmen aus diesen unterschiedlichen Bedingungen stammen. Fügen Sie nicht viele fast identische, minderwertige Ausschnitte hinzu; mehr Daten sind nicht automatisch bessere Daten.
Bezeichnung diagnostizieren, bevor Sie alles ändern
| Symptom | Wahrscheinliche Ebene | Erste Prüfung |
|---|---|---|
| Eine Person erscheint als zwei Sprecher | Diarisierung | Sprecherzahl, Schwellenwert, Mikrofonwechsel oder Hintergrundgeräusche |
| Zwei Personen teilen eine Bezeichnung | Diarisierung | Bekannte Anzahl einstellen oder Clustering empfindlicher machen |
| Gruppen stimmen, aber Namen fehlen | Identifikation | Identitätsmarkierung, Stimmabdrucksprache, Proben und Identitätsschwellenwert |
| Ein Name wird der falschen Gruppe zugewiesen | Identifikation | Identitätsschwellenwert erhöhen und verunreinigte Proben ersetzen |
| Sprecherbezeichnungen stimmen, Wörter aber nicht | Spracherkennung | Erkennungsmodell, Audioqualität, Sprache und Wörterbuch |
Die Trennung dieser Ebenen vermeidet einen häufigen Fehler: das Spracherkennungsmodell zu ändern, um einen Clustering-Fehler zu beheben, oder die Sprecherzahl zu ändern, um falsche Wörter zu korrigieren. Bewerten Sie Sprechergrenzen, Namen und Text unabhängig voneinander.
Grenzen kennen
- Überlappende Sprache lässt sich schwer zuordnen, weil zwei Stimmen denselben Zeitbereich belegen.
- Sehr kurze Einwürfe enthalten möglicherweise nicht genug Stimminformationen für stabiles Clustering oder einen Identitätsabgleich.
- Die Stimme einer Person verändert sich durch Krankheit, Emotion, Abstand, Mikrofon, Kompression und Kanal.
- Ähnliche Stimmen können zusammengeführt werden, während eine sich verändernde Stimme aufgeteilt werden kann.
- Automatisch zugewiesene Namen sollten geprüft werden, bevor sie in formellen Protokollen, Forschungscodierungen oder Beweismitteln verwendet werden.
Einrichtungsanweisungen finden Sie unter Sprecherverwaltung. Informationen zu Clustering und Schwellenwerten auf Dateiebene finden Sie unter Dateitranskription.
Häufig gestellte Fragen
Identifiziert die Sprecherdiarisierung Personen anhand ihres Namens?
Nein. Die Diarisierung unterteilt eine Aufnahme in Sprechergruppen wie Sprecher 0 und Sprecher 1. Um eine Gruppe als namentlich bekannte Person zu identifizieren, ist ein separater Identitätsabgleich oder eine manuelle Kennzeichnung erforderlich.
Benötige ich Stimmproben für die Diarisierung?
Nein. Die Diarisierung kann verschiedene Stimmen ohne eine zuvor angelegte Bibliothek gruppieren. Stimmproben werden benötigt, wenn der Ablauf eine Sprechergruppe mit bekannten Personen vergleichen und deren Namen automatisch zuweisen soll.
Warum wird eine Person in zwei Sprecherbezeichnungen aufgeteilt?
Die Stimme einer Person kann sich durch Abstand, Mikrofon, Emotion, Rauschen oder Kanal verändern. Auch ein automatischer Clustering-Schwellenwert kann zu empfindlich sein. Geben Sie die bekannte Sprecherzahl an oder passen Sie den Schwellenwert an und prüfen Sie das Ergebnis.
Mit anonymen Sprechergruppen beginnen
Prüfen Sie zuerst, ob die Diarisierung die richtigen Sprechergrenzen erzeugt. Fügen Sie den Identitätsabgleich erst hinzu, wenn die Gruppierung stabil ist.