Транскрибация с учётом спикеров
Диаризация и идентификация спикеров: в чём разница
Первая отвечает на вопрос «кто и когда говорил?» с помощью анонимных групп. Вторая выясняет, соответствует ли голос известному человеку. Смешение этих задач приводит к неверным настройкам и ожиданиям.
Расшифровка может различать участников, не зная их имён. Известный голос можно распознать только после его регистрации и сопоставления. Задачи связаны, но решают разные проблемы и ошибаются по-разному.
Два разных вопроса
Диаризация: кто и когда говорил?
Диаризация обнаруживает речевые участки, извлекает характеристики голосов и объединяет похожие участки. Результат — временная шкала с анонимными группами:
00:00-00:12 Speaker_000:12-00:25 Speaker_100:25-00:41 Speaker_0
Системе не нужны имена. Это полезно для интервью, встреч, подкастов и звонков, где нужны реплики спикеров.
Идентификация: кто этот известный человек?
Идентификация сравнивает спикера с библиотекой известных образцов. Если совпадение превышает порог, анонимная метка заменяется именем. В Owl Meeting библиотека хранится локально на странице Speakers.
Без предварительной регистрации система не может вывести реальную личность только из записи.
| Диаризация | Идентификация | |
|---|---|---|
| Главный вопрос | Кто и когда говорил? | Это зарегистрированный человек? |
| Предварительные образцы | Не нужны | Нужны для автоматических имён |
| Типичная метка | Speaker_0 | Алексей, Прия, Интервьюер |
| Главная настройка | Число спикеров или порог кластеризации | Язык голосового отпечатка и порог личности |
| Типичная ошибка | Один человек разделён или двое объединены | Известный человек не найден или указан неверно |
Как работает совместный процесс
При включении обеих функций важен порядок:
- Обнаружение речи. Запись делится на речевые участки.
- Кластеризация голосов. Диаризация группирует участки одного голоса.
- Сравнение с образцами. Identity Mark сравнивает группы с локальной библиотекой.
- Присвоение имени при достижении порога. Уверенное совпадение заменяет метку, остальные группы остаются анонимными.
- Распознавание и проверка текста. Пользователь сверяет слова и метки с исходным звуком.
Настройки влияют на разные ошибки
Число спикеров
Известное число участников полезно ограничивает кластеризацию. Автоматический подсчёт подходит, когда число неизвестно, но сильнее зависит от порога и качества записи.
Порог кластеризации
Он задаёт допустимое различие внутри группы. Слишком чувствительный порог разделяет одного человека, слишком мягкий объединяет похожие голоса. Проверяйте участок с реальными сменами спикеров.
Язык голосового отпечатка
Owl Meeting предлагает отдельные китайскую и английскую модели. Языки образцов и настроек файла должны быть совместимы, иначе идентификация не сработает даже при правильной диаризации.
Порог идентификации
Более высокий порог уменьшает слабые совпадения, но оставляет известных людей без имён. Более низкий находит больше совпадений, повышая риск неверного имени. В важных случаях выбирайте консервативное автоматическое именование.
Создавайте полезные образцы голоса
Образец должен представлять человека, а не комнату. Используйте чистый фрагмент только с нужным спикером без наложения, музыки и чужого голоса. Практический диапазон — 5–30 секунд.
Один человек звучит по-разному через конференц-микрофон, телефон, гарнитуру или дальний микрофон. Несколько репрезентативных образцов помогают, но множество почти одинаковых плохих клипов не улучшает данные автоматически.
Сначала определите уровень ошибки
| Симптом | Вероятный уровень | Первая проверка |
|---|---|---|
| Один человек показан как два | Диаризация | Число, порог, смена микрофона или шум |
| У двоих одна метка | Диаризация | Задайте число или повысьте чувствительность |
| Группы верны, но имён нет | Идентификация | Identity Mark, язык, образцы и порог |
| Имя назначено неверной группе | Идентификация | Повысьте порог и замените загрязнённые образцы |
| Метки верны, слова ошибочны | Распознавание речи | Модель, звук, язык и словарь |
Оценивайте границы спикеров, имена и текст независимо: смена речевой модели не исправляет кластеризацию, а смена числа спикеров — неверные слова.
Учитывайте ограничения
- Наложенную речь трудно назначить одному голосу.
- Коротким репликам может не хватать информации.
- Голос меняется из-за болезни, эмоций, расстояния, микрофона, сжатия и канала.
- Похожие голоса могут объединяться, а меняющийся голос — разделяться.
- Автоматические имена нужно проверять перед использованием в протоколах, исследованиях или доказательствах.
См. «Управление спикерами» и «Транскрибация файлов».
Часто задаваемые вопросы
Определяет ли диаризация спикеров имена людей?
Нет. Диаризация разделяет запись на группы спикеров, например Спикер 0 и Спикер 1. Чтобы определить группу как конкретного человека, нужен отдельный этап сопоставления личности или ручная разметка.
Нужны ли образцы голоса для диаризации?
Нет. Диаризация может группировать разные голоса без заранее зарегистрированной библиотеки. Образцы нужны, когда требуется сравнивать группу спикера с известными людьми и автоматически присваивать их имена.
Почему один человек разделён на две метки спикера?
Голос человека может меняться из-за расстояния, микрофона, эмоций, шума или канала. Порог автоматической кластеризации также может быть слишком чувствительным. Укажите известное число спикеров или настройте порог и проверьте результат.
Начните с анонимных групп
Сначала убедитесь, что диаризация правильно создаёт границы, и лишь затем добавляйте идентификацию.