تفکیک گوینده یا diarization، بخش‌های صوت را با برچسب گوینده جدا می‌کند؛ مثلاً «گوینده۱» و «گوینده۲». این خروجی به‌خودی‌خود نام، سمت یا هویت واقعی فرد را ثابت نمی‌کند. اگر برای متن جلسه یا تماس به نام افراد نیاز دارید، منبع نسبت‌دادن نام باید جدا مشخص شود.
چهار چیز که نباید یکی فرض شوند
| خروجی | چه می‌گوید؟ | چه چیزی هنوز معلوم نیست؟ |
|---|---|---|
| برچسب گوینده | این قطعه به یک صدای تشخیص‌داده‌شده نسبت داده شده | نام و نقش قطعی صاحب صدا |
| کانال صوت | داده در مسیر چپ یا راست ضبط قرار دارد | اینکه همیشه فقط یک نفر روی آن مسیر بوده |
| نقش در گفتگو | مثلاً پرسش‌کننده یا پاسخ‌دهنده، با شاهد لازم | هویت واقعی فرد |
| هویت تأییدشده | نسبت نام به فرد با روش و مجوز مشخص بررسی شده | اینکه همه قطعه‌های صوت درست به او متصل شده‌اند |
مثال: گوینده۱ در دو فایل، لزوماً یک نفر نیست
در فایل آموزشی الف، صدای نخست «گوینده۱» و صدای دوم «گوینده۲» شده است. در فایل ب، ترتیب شروع صحبت برعکس است. نباید صرف برابر بودن برچسب‌ها، قطعه‌های گوینده۱ دو فایل را یک سابقه شخصی بسازید. دامنه اعتبار شناسه و رفتار هر سامانه باید از مستندات همان خروجی روشن شود؛ عدد پردازشی را شناسه سراسری فرد نکنید.
یک شناسه ترکیبی مانند file-A:speaker-1 برای حفظ دامنه فایل مفید است، اما هویت را تأیید نمی‌کند. اگر بازبین نام را با شنیدن معرفی آغاز جلسه نسبت می‌دهد، روش و حدود اطمینان را بنویسد. معرفی ابتدای فایل هم تضمین نمی‌کند بعداً فرد دیگری با همان دستگاه صحبت نکرده باشد.
از خروجی اشتباه، قضاوت درباره فرد نسازیم
در یک نمونه ساختگی، دو نفر هنگام گفتن «من موافق نیستم» هم‌زمان حرف می‌زنند و سامانه جمله را به برچسب اشتباه می‌دهد. مشکل اینجا نسبت گوینده است؛ درست‌بودن واژه‌ها آن را رفع نمی‌کند. بخش مبهم را نامعلوم نگه دارید و با منبع مجاز بررسی کنید. تبدیل خودکار این برچسب به نام کارشناس می‌تواند گزارش بعدی را هم اشتباه کند.
پیش از خرید یا تحویل چه نمونه‌ای بخواهیم؟
- دو گوینده با نوبت‌های جدا و یک بازگشت گوینده اول را آزمایش کنید؛ ببینید برچسب او در همان فایل حفظ می‌شود.
- ورود گوینده تازه، انتقال تماس و صحبت هم‌زمان را جدا بررسی کنید.
- نوع فایل یک‌کاناله و چندکاناله را مشخص کنید؛ جداسازی کانال و تشخیص گوینده را با یک نام گزارش نکنید.
- در خروجی، دامنه شناسه، زمان قطعه و مقدار نامعلوم روشن باشد.
- برای نگاشت نام، روش جدا، فرد مجاز و موارد حل‌نشده ثبت شوند؛ داده واقعی را برای نمایش عمومی نمونه نکنید.
این فهرست روش پیشنهادی بررسی است؛ نتیجه آزمایش یک ابزار یا عدد دقت تفکیک گوینده نیست. برای کنترل نسبت هر جمله با زمان و نقش، ممیزی هم‌ترازی صوت و متن را انجام دهید. آن راهنما درباره بررسی خطای خروجی است؛ این متن به شما کمک می‌کند ابتدا نوع خروجی را درست سفارش دهید.
اگر به متن جلسه چندنفره نیاز دارید، هنگام درخواست از اپرانگار بگویید برچسب ناشناس، نام بازبینی‌شده یا فقط متن می‌خواهید. امکان و کیفیت هر خروجی باید برای پروژه شما جدا تأیید شود؛ این نوشته قابلیت تشخیص هویت صوتی در اپرا را اعلام نمی‌کند.
منبع تعریف برچسب‌گذاری: مستند رسمی تفکیک گوینده در Google Cloud. مثال دو فایل و قرارداد شناسه این مقاله، نمونه آموزشی تحریریه است.