Transcrição com distinção de oradores
Diarização de oradores vs. identificação de oradores
Uma responde a «quem falou quando?» com grupos anónimos. A outra pergunta se uma voz corresponde a uma pessoa conhecida. Confundi-las leva a definições e expectativas erradas.
Uma transcrição pode distinguir participantes sem saber quem são. Também só pode reconhecer uma voz conhecida depois de esta ter sido registada e comparada. São tarefas relacionadas, mas resolvem problemas diferentes e falham de formas diferentes.
Duas perguntas distintas
Diarização: quem falou quando?
A diarização analisa uma gravação, deteta regiões de fala, extrai características vocais e agrupa regiões semelhantes. O resultado é uma cronologia com grupos anónimos:
00:00-00:12 Speaker_000:12-00:25 Speaker_100:25-00:41 Speaker_0
O sistema não precisa de saber os nomes. Isto é útil em entrevistas, reuniões, podcasts e chamadas em que a transcrição deve mostrar as intervenções.
Identificação: que pessoa conhecida é esta?
A identificação compara um orador detetado com uma biblioteca de amostras conhecidas. Quando a correspondência ultrapassa o limiar de identidade, uma etiqueta anónima pode ser substituída por um nome. No Owl Meeting, a biblioteca é local e gerida na página Oradores.
A identificação exige registo prévio. Se uma pessoa não estiver na biblioteca, o sistema não consegue inferir a sua identidade real apenas pela gravação.
| Diarização | Identificação | |
|---|---|---|
| Pergunta principal | Quem falou quando? | É uma pessoa conhecida e registada? |
| Amostras prévias | Não são necessárias | Necessárias para atribuição automática do nome |
| Etiqueta típica | Speaker_0 | Alex, Priya, Entrevistador |
| Definição principal | Número de oradores ou limiar de agrupamento | Idioma da impressão vocal e limiar de identidade |
| Erro comum | Uma pessoa dividida ou duas pessoas unidas | Pessoa conhecida sem correspondência ou atribuída incorretamente |
Como funciona o fluxo combinado
Quando ambas as funções estão ativadas, a ordem é importante:
- Detetar a fala. A gravação é dividida em regiões com fala.
- Agrupar vozes. A diarização reúne regiões que parecem vir da mesma voz.
- Comparar amostras conhecidas. A Identificação compara cada grupo com a biblioteca local.
- Aplicar um nome quando o limiar é atingido. Uma correspondência segura substitui a etiqueta temporária; grupos sem correspondência permanecem anónimos.
- Reconhecer e rever o texto. O reconhecimento produz a transcrição e o utilizador confirma etiquetas e palavras pelo áudio.
As definições afetam falhas diferentes
Número de oradores
Se souber o número de participantes, indicá-lo impõe uma restrição útil ao agrupamento. A contagem automática é adequada quando é desconhecido, mas depende mais do limiar e da qualidade da gravação.
Limiar de agrupamento
Controla quanta diferença a diarização tolera dentro de um grupo. Demasiada sensibilidade pode dividir uma pessoa; demasiada permissividade pode unir vozes semelhantes. Teste numa secção com mudanças reais.
Idioma da impressão vocal
O Owl Meeting fornece modelos de impressão vocal separados para chinês e inglês. As amostras e definições do ficheiro precisam de idiomas compatíveis; caso contrário, a identificação pode falhar mesmo que a diarização funcione.
Limiar de identidade
Determina a força necessária para aplicar um nome. Aumentá-lo reduz correspondências fracas, mas pode deixar pessoas sem nome. Diminuí-lo identifica mais segmentos, mas aumenta nomes incorretos. Prefira uma atribuição conservadora quando a identidade for importante.
Crie amostras de voz úteis
Uma amostra deve representar a pessoa, não a sala. Use um trecho nítido apenas com o orador pretendido, sem sobreposição, música alta ou outra voz ao fundo. Entre 5 e 30 segundos é uma duração prática no fluxo atual.
A mesma pessoa pode soar diferente num microfone de conferência, telefone, auscultadores ou microfone distante. Várias amostras representativas podem ajudar nessas condições distintas. Não adicione muitos clipes quase duplicados e fracos; mais dados não são automaticamente melhores.
Diagnostique a etiqueta antes de alterar tudo
| Sintoma | Camada provável | Primeira verificação |
|---|---|---|
| Uma pessoa aparece como dois oradores | Diarização | Número, limiar, mudanças de microfone ou ruído |
| Duas pessoas partilham uma etiqueta | Diarização | Definir o número conhecido ou aumentar a sensibilidade |
| Grupos corretos, mas faltam nomes | Identificação | Identificação, idioma, amostras e limiar de identidade |
| Nome atribuído ao grupo errado | Identificação | Aumentar o limiar e substituir amostras contaminadas |
| Etiquetas corretas, mas palavras erradas | Reconhecimento de voz | Modelo, qualidade, idioma e dicionário |
Separar estas camadas evita alterar o modelo de reconhecimento para corrigir agrupamento ou o número de oradores para corrigir palavras. Avalie limites, nomes e texto independentemente.
Conheça os limites
- A fala sobreposta é difícil de atribuir porque duas vozes ocupam o mesmo período.
- Interjeições muito curtas podem não conter informação suficiente para agrupamento ou identificação estáveis.
- A voz varia com doença, emoção, distância, microfone, compressão e canal.
- Vozes semelhantes podem ser unidas e uma voz variável pode ser dividida.
- Os nomes automáticos devem ser revistos antes de serem usados em atas formais, investigação ou provas.
Para configurar, consulte Gestão de oradores. Para agrupamento e limiares, consulte Transcrição de ficheiros.
Perguntas frequentes
A diarização identifica as pessoas pelo nome?
Não. A diarização separa uma gravação em grupos de oradores, como Orador 0 e Orador 1. Identificar um grupo como uma pessoa pelo nome exige uma etapa separada de correspondência de identidade ou etiquetagem manual.
Preciso de amostras de voz para a diarização?
Não. A diarização pode agrupar vozes diferentes sem uma biblioteca previamente registada. São necessárias amostras de voz quando o fluxo deve comparar um grupo de oradores com pessoas conhecidas e aplicar automaticamente os seus nomes.
Por que motivo uma pessoa é dividida em duas etiquetas de orador?
A voz de uma pessoa pode mudar com a distância, o microfone, a emoção, o ruído ou o canal. Um limiar de agrupamento automático também pode ser demasiado sensível. Indique o número conhecido de oradores ou ajuste o limiar e reveja o resultado.
Comece com grupos anónimos de oradores
Confirme primeiro que a diarização cria os limites corretos. Acrescente identificação apenas quando o agrupamento estiver estável.