تمييز المتحدثين في التفريغ: كيف يعرف النص من تكلّم ومتى؟

تمييز المتحدثين (speaker diarization) هو الخطوة في التفريغ التلقائي التي تجيب عن سؤال "من تكلّم ومتى": يقسّم التسجيل إلى أجزاء، ويجمع الأجزاء التي يبدو أنها بالصوت نفسه، ويسمّيها المتحدث 1 والمتحدث 2 وهكذا. وهو لا يعرف اسم أحد؛ فأنت، أو نظام يعرف المشاركين مسبقًا، من يضيف الأسماء بعد ذلك. يعمل جيدًا في التسجيلات الواضحة ذات الأصوات القليلة المتمايزة، ويتعثر مع تداخل الكلام وتشابه الأصوات وصوت الهاتف والمجموعات الكبيرة.

يشرح هذا الدليل تمييز المتحدثين بلغة بسيطة، وكيف يختلف عن التعرف على المتحدث، وكيف يعمل من الداخل، وما الذي يربكه، وكيف تحصل على نص مفرَّغ بتسميات متحدثين يمكنك الوثوق بها.

ما هو تمييز المتحدثين؟

النص المفرَّغ الخام كتلة نصية متصلة. أما التمييز فيحوّله إلى حوار:

المتحدث 1 · 00:00:03 · شكرًا على حضوركم. هل نبدأ بالميزانية؟

المتحدث 2 · 00:00:07 · بالتأكيد. تجاوزنا بند السفر بنحو عشرة بالمئة.

المتحدث 1 · 00:00:12 · حسنًا، ما السبب في ذلك؟

يأتي المصطلح الإنجليزي من كلمة "diary" أي اليوميات: فالنظام يحتفظ بسجل للصوت النشط في كل لحظة. وفي معظم أدوات التفريغ يعمل التمييز جنبًا إلى جنب مع التعرف على الكلام. ينتج نموذج الكلام كلمات بطوابع زمنية، وينتج نموذج التمييز أجزاء متحدثين بطوابع زمنية، ثم يُطابَق الاثنان لتحصل كل كلمة أو جملة على تسمية متحدث.

إن كنت تفرّغ مقابلات أو اجتماعات أو حلقات بودكاست، فهذه التسميات هي ما يجعل النص قابلًا للاستخدام: يمكنك الاقتباس من الشخص الصحيح، ومعرفة من تحدث أكثر، وتصفح مكالمة طويلة بحسب المتحدث.

تمييز المتحدثين مقابل التعرف على المتحدث

يخلط كثيرون بين الاثنين، وتستخدم صفحات منتجات عديدة عبارة "التعرف على المتحدث" بشكل فضفاض للدلالة على كليهما.

بعض الأدوات تمزج بين الاثنين. فمنصة الاجتماعات تعرف ميكروفون أي مشارك مسجّل الدخول نشط، فتعرض الأسماء من دون أي تحليل صوتي. وبعض التطبيقات تتيح لك وسم صوت مرة واحدة ثم تحاول التعرف عليه في التسجيلات اللاحقة. فنموذج OpenAI للتفريغ مع تمييز المتحدثين مثلًا يقبل مقاطع مرجعية قصيرة لمتحدثين معروفين، بحسب وثائقه. أما التمييز العادي على ملف مرفوع، وهو ما تفعله معظم خدمات التفريغ، فينتهي بتسميات عامة تعيد أنت تسميتها.

كيف يعمل تمييز المتحدثين

تختلف الأنظمة الحديثة في التفاصيل، لكن معظمها يتبع المراحل العامة نفسها. فمكتبة pyannote.audio مفتوحة المصدر، وهي من أكثر مكتبات التمييز استخدامًا، تصف مسارها في ورقة Hervé Bredin المقدَّمة إلى Interspeech 2023 بعنوان "pyannote.audio 2.1 speaker diarization pipeline: principle, benchmark, and recipe" على أنه ثلاث مراحل رئيسية: تقسيم محلي عبر نوافذ منزلقة قصيرة، وتضمينات المتحدثين، وتجميع شامل.

1. تحديد مواضع الكلام

يحدد اكتشاف النشاط الصوتي أجزاء التسجيل التي فيها كلام، ويستبعد الصمت والموسيقى والضجيج. والأخطاء هنا تتراكم: فالكلام الذي يفوته النظام لا يحصل على تسمية، والضجيج الذي يُظن كلامًا قد يخلق متحدثًا وهميًا.

2. تقسيم الكلام

يُقطَّع الكلام إلى أجزاء قصيرة يتحدث في كل منها، في الوضع المثالي، شخص واحد فقط. وتنظر النماذج العصبية الأحدث إلى بضع ثوانٍ في كل مرة وتقدّر أي المتحدثين نشط في كل إطار، ما يتيح لها أيضًا الإشارة إلى الكلام المتداخل.

3. تحويل كل جزء إلى تضمين صوتي

تحوّل شبكة عصبية كل جزء إلى تضمين (embedding): قائمة أرقام تعبّر عن كيف يبدو الصوت (طبقته، وجرسه، وأسلوب الكلام) لا عن ما يُقال. والأجزاء الصادرة عن الشخص نفسه ينبغي أن تنتج تضمينات متقاربة.

4. تجميع التضمينات

تجمع خوارزمية تجميع التضمينات المتشابهة. وتصبح كل مجموعة متحدثًا. والجزء الصعب هو تحديد عدد المجموعات: إن كانت قليلة اندمج شخصان في تسمية واحدة، وإن كانت كثيرة توزّع شخص واحد على عدة تسميات. وبعض الخدمات تتيح لك إخبارها بعدد المتحدثين المتوقع للمساعدة في ذلك.

5. المطابقة مع الكلمات

أخيرًا، تُطابَق أجزاء المتحدثين مع الطوابع الزمنية للكلمات الناتجة عن التعرف على الكلام، فيحصل كل سطر في النص على تسمية. والأخطاء عند الحدود شائعة: فقد تُنسب الكلمة الأولى من الرد إلى المتحدث السابق.

يقيس الباحثون الجودة بمعدل خطأ التمييز (DER)، الذي يجمع بين الكلام الفائت والإنذارات الكاذبة والخلط بين المتحدثين. وتتفاوت الأرقام المنشورة تفاوتًا كبيرًا بين مجموعات البيانات، من صوت البث الإذاعي النظيف إلى الاجتماعات متعددة الأطراف المليئة بالضجيج، لذا فرقم "دقة" واحد لا يخبرك بالكثير عن تسجيلاتك أنت.

ما الذي يُفسد فصل المتحدثين؟

• تداخل الكلام. حين يتكلم شخصان معًا، يفوز صوت واحد عادةً بالتسمية، وقد تضيع كلمات الآخر أو تُنسب لغيره.
• تشابه الأصوات. شخصان متقاربان في العمر والجنس واللهجة ينتجان تضمينات متقاربة قد تندمج.
• صوت الهاتف والصوت المضغوط. خطوط الهاتف ضيقة النطاق والرسائل الصوتية المضغوطة بشدة، كرسائل واتساب، تزيل كثيرًا من التفاصيل التي تعتمد عليها التضمينات.
• كثرة المتحدثين. كل صوت إضافي يصعّب التجميع، خاصة إن تكلم بعض الأشخاص لفترة قصيرة فقط.
• المداخلات القصيرة. "نعم" و"صح" و"تمام" وغيرها من المداخلات ذات الكلمة الواحدة أقصر من أن تنتج تضمينًا موثوقًا.
• ميكروفون واحد بعيد. حاسوب محمول في وسط الغرفة يلتقط الصدى ومستويات صوت غير متساوية؛ وقد يبدو الشخص نفسه مختلفًا بحسب مكان جلوسه.
• تغيّر الظروف. المتحدث الذي يتحرك، أو ينتقل من سماعة الرأس إلى مكبر الصوت، أو يبدأ بالهمس، قد يُقسَّم إلى تسميتين.
• ضجيج الخلفية والموسيقى. كلاهما قد يُظن كلامًا أو يطمس خصائص الصوت.

كيف تفصل المتحدثين في النص المفرَّغ بشكل أدق

معظم التحسن يأتي من التسجيل، لا من البرنامج. تتناول نصائحنا لدقة التفريغ جودة الصوت عمومًا؛ أما فيما يخص المتحدثين تحديدًا:

• امنح كل شخص ميكروفونه الخاص إن أمكن، أو على الأقل اجعل الجميع على مسافة متقاربة من ميكروفون مشترك.
• إن استطعت تسجيل كل شخص على مسار منفصل (إعداد بودكاست، أو تسجيل مكالمة ستيريو بطرف في كل قناة)، ففرّغ المسارات كلًّا على حدة. فالقنوات المنفصلة أكثر موثوقية من أي تجميع صوتي.
• اطلب من المشاركين ألا يتكلموا فوق بعضهم في الأجزاء التي تحتاجها حرفيًا، وأن يتركوا لحظة قبل الرد.
• تجنّب مكبر الصوت وصوت مكالمات الفيديو المنقول عبر سماعات الغرفة حين يكون التسجيل المباشر ممكنًا.
• اطلب من كل مشارك أن يذكر اسمه في البداية. هذا لا يدرّب النموذج، لكنه يسرّع إعادة تسمية التسميات.
• أبقِ المحادثة الواحدة في ملف واحد حيثما أمكن. فإن فرّغتها على أجزاء، لن تتطابق التسميات: قد يكون المتحدث 1 في الجزء الأول هو المتحدث 2 في الجزء الثاني.
• راجع الدقائق الأولى من النص. إن اندمج شخصان، فالمشكلة تستمر عادةً في الملف كله.

للمقابلات، يتناول دليلنا لتفريغ المقابلات وضع الميكروفون والحصول على الموافقة؛ وللمكالمات، راجع دليل تفريغ الاجتماعات في Google Meet وZoom وTeams.

إعادة تسمية المتحدثين وتصحيحهم في Audiotexta

حين ترفع ملفًا أو تلصق رابطًا أو تسجّل من الميكروفون في Audiotexta، يعود النص المفرَّغ بتسميات المتحدثين والطوابع الزمنية. ولتحويل المتحدث 1 والمتحدث 2 إلى أسماء حقيقية، أعد تسمية المتحدث في المحرر؛ فيسري الاسم الجديد على أجزاء هذا المتحدث في النص كله. ويبرز المحرر الكلمات أثناء التشغيل ويتيح لك النقر على أي كلمة للانتقال إلى تلك النقطة في الصوت، ما يسهّل التحقق من دور مشكوك فيه بالأذن وتصحيحه.

أعد التسمية وصحّح قبل التصدير، لتنتقل الأسماء إلى TXT وSRT وVTT (وكلها متاحة في الخطة المجانية من دون حساب) أو إلى DOCX وPDF وCSV وJSON في خطة Pro. في ملفات الترجمة المصاحبة، تساعد أسماء المتحدثين المشاهد على متابعة الحوار؛ وفي CSV أو JSON تتيح لك تحليل من قال ماذا.

وكأي نظام لتمييز المتحدثين، يعمل Audiotexta بأفضل شكل على الصوت الواضح والأصوات المتمايزة، ولا ينقل أسماء المتحدثين من ملف إلى آخر: كل تسجيل يبدأ بتسميات جديدة مجهولة.

أدوات تفرّغ مع أسماء المتحدثين

أصبحت تسميات المتحدثين شائعة اليوم، لكن تطبيقها يختلف. إليك لمحة موجزة تستند إلى وثائق كل مورّد أو، حيث يُذكر ذلك، إلى أوصاف من أطراف ثالثة (تم التحقق في أكتوبر 2026؛ الميزات تتغير، فتأكد من موقع المورّد).

لمنصات الاجتماعات ميزة حقيقية هنا: حين ينضم كل شخص من حسابه الخاص، تعرف الأسماء من دون تخمين من الأصوات. والتطبيقات التي تتذكر البصمات الصوتية، مثل Otter، توفّر وقت إعادة التسمية إن كنت تسجّل الأشخاص أنفسهم كثيرًا. أما التسجيلات المرفوعة من مقابلات أو مكالمات هاتفية أو بودكاست، فالتمييز المعتمد على الصوت هو الخيار الوحيد، والمراجعة السريعة وإعادة التسمية في المحرر جزء من العمل.