Speaker diarization: sådan ved transskriptionen, hvem der taler

Speaker diarization (på dansk taleradskillelse) er det trin i automatisk transskription, der svarer på "hvem talte hvornår": Det deler en optagelse op i segmenter, grupperer de segmenter, der lyder som den samme stemme, og markerer dem Taler 1, Taler 2 og så videre. Systemet kender ikke nogens navn; det er dig, eller et system, der allerede kender deltagerne, der tilføjer navne bagefter. Det fungerer godt på tydelige optagelser med få, forskellige stemmer og har svært ved samtidig tale, stemmer, der ligner hinanden, telefonlyd og store grupper.

Denne guide forklarer diarization i et enkelt sprog, hvordan det adskiller sig fra talergenkendelse, hvordan det virker bag kulisserne, hvad der får det til at gå galt, og hvordan du får en transskription med talermarkeringer, du kan stole på.

Hvad er speaker diarization?

En rå transskription er en mur af tekst. Diarization gør den til en samtale:

Taler 1  00:00:03  Tak, fordi I kunne komme. Skal vi starte med budgettet?
Taler 2  00:00:07  Ja. Vi ligger cirka ti procent over på rejser.
Taler 1  00:00:12  Okay, hvad skyldes det?

Udtrykket kommer af det engelske "diary", dagbog: Systemet fører en log over, hvilken stemme der er aktiv i hvert øjeblik. I de fleste transskriptionsværktøjer kører diarization side om side med talegenkendelsen. Talemodellen leverer ord med tidsstempler, diarization-modellen leverer talersegmenter med tidsstempler, og de to bliver justeret efter hinanden, så hvert ord eller hver sætning får en talermarkering.

Hvis du transskriberer interviews, møder eller podcasts, er det disse markeringer, der gør teksten brugbar: Du kan citere den rigtige person, tælle, hvem der talte mest, og skimme et langt opkald taler for taler.

Diarization vs talergenkendelse

De to bliver ofte forvekslet, og mange produktsider bruger "talergenkendelse" eller "speaker identification" løst om begge dele.

Nogle værktøjer blander de to. En mødeplatform ved, hvilken indlogget deltagers mikrofon der er aktiv, så den kan vise navne uden nogen stemmeanalyse. Nogle apps lader dig markere en stemme én gang og forsøger derefter at genkende den i senere optagelser. OpenAI's transskriptionsmodel med diarization accepterer for eksempel korte referenceklip for kendte talere, ifølge dokumentationen. Almindelig diarization af en uploadet fil, som er det, de fleste transskriptionstjenester gør, ender med generiske labels, som du omdøber.

Sådan virker speaker diarization

Moderne systemer er forskellige i detaljerne, men de fleste følger de samme overordnede trin. Open source-værktøjet pyannote.audio, et af de mest udbredte biblioteker til diarization, beskriver sin pipeline i Hervé Bredins Interspeech 2023-artikel "pyannote.audio 2.1 speaker diarization pipeline: principle, benchmark, and recipe" som tre hovedtrin: lokal segmentering over korte glidende vinduer, stemme-embeddings og global klyngedannelse.

1. Find ud af, hvor der er tale

Stemmeaktivitetsdetektion markerer, hvilke dele af optagelsen der indeholder tale, og sorterer stilhed, musik og støj fra. Fejl her forplanter sig: Tale, der bliver overset, får ingen markering, og støj, der forveksles med tale, kan skabe en spøgelsestaler.

2. Segmentér talen

Talen skæres op i korte stykker, hvor der ideelt set kun er én person, der taler. Nyere neurale modeller ser på et par sekunder ad gangen og vurderer, hvilke talere der er aktive i hvert udsnit, hvilket også gør det muligt at markere samtidig tale.

3. Lav et stemme-embedding af hvert segment

Et neuralt netværk omdanner hvert segment til et embedding: en række tal, der fanger, hvordan stemmen lyder (tonehøjde, klangfarve, talestil), snarere end hvad der bliver sagt. Segmenter fra den samme person bør give embeddings, der ligger tæt på hinanden.

4. Gruppér embeddings i klynger

En klyngealgoritme grupperer embeddings, der ligner hinanden. Hver gruppe bliver til en taler. Det svære er at afgøre, hvor mange grupper der er: for få, og to personer smelter sammen under én markering; for mange, og én person bliver delt op på flere markeringer. Nogle tjenester lader dig angive det forventede antal talere for at hjælpe på det.

5. Justér efter ordene

Til sidst matches talersegmenterne med ordenes tidsstempler fra talegenkendelsen, så hver linje i transskriptionen får en markering. Fejl ved overgangene er almindelige: Det første ord i et svar kan havne hos den forrige taler.

Forskere måler kvaliteten med diarization error rate (DER), som kombinerer overset tale, falske alarmer og forvekslede talere. De offentliggjorte tal varierer enormt mellem datasæt, fra ren radio- og tv-lyd til støjende møder med mange deltagere, så et enkelt tal for "nøjagtighed" siger dig ikke meget om dine egne optagelser.

Hvad der får taleradskillelsen til at gå galt

• Samtidig tale. Når to personer taler på én gang, vinder den ene stemme som regel markeringen, og den andens ord kan gå tabt eller blive tilskrevet den forkerte.
• Stemmer, der ligner hinanden. To personer med samme alder, køn og accent giver embeddings, der ligger tæt og kan smelte sammen.
• Telefonlyd og komprimeret lyd. Smalbåndede telefonlinjer og kraftigt komprimerede talebeskeder fjerner mange af de detaljer, embeddings bygger på.
• Mange talere. Hver ekstra stemme gør klyngedannelsen sværere, især hvis nogle kun taler kort.
• Korte replikker. "Ja", "nemlig" og andre indskud på ét ord er for korte til at give et pålideligt embedding.
• Én mikrofon langt væk. En bærbar midt i et lokale opfanger ekko og ujævne niveauer; den samme person kan lyde forskelligt alt efter, hvor vedkommende sidder.
• Skiftende forhold. En taler, der bevæger sig, skifter fra headset til højttalertelefon eller begynder at hviske, kan blive delt op i to markeringer.
• Baggrundsstøj og musik. Begge dele kan forveksles med tale eller udviske stemmens kendetegn.

Sådan adskiller du talere i en transskription mere pålideligt

Det meste af gevinsten kommer fra optagelsen, ikke fra softwaren. Vores tips til mere præcis transskription dækker lydkvalitet generelt; specifikt for talere gælder:

• Giv hver person sin egen mikrofon, hvis du kan, eller sørg i det mindste for, at alle sidder i nogenlunde samme afstand fra en fælles mikrofon.
• Hvis du kan optage hver person på et separat spor (et podcastsetup eller en stereooptagelse af et opkald med én side per kanal), så transskribér sporene hver for sig. Separate kanaler er mere pålidelige end nogen stemmeklyngedannelse.
• Bed folk om ikke at tale i munden på hinanden i de dele, du skal bruge ordret, og om at vente et øjeblik, før de svarer.
• Undgå højttalertelefon og videoopkald, hvor lyden går gennem lokalets højttalere, når en direkte optagelse er mulig.
• Lad hver deltager sige sit navn i starten. Det træner ikke modellen, men det gør det hurtigt at omdøbe markeringerne.
• Hold én samtale i én fil, hvor det er muligt. Transskriberer du den i dele, passer markeringerne ikke sammen: Taler 1 i første del kan være Taler 2 i anden del.
• Tjek de første minutter af transskriptionen. Hvis to personer er smeltet sammen, fortsætter problemet som regel gennem hele filen.

Til interviews gennemgår vores guide til transskription af interviews mikrofonplacering og samtykke; til opkald kan du se guiden til transskription af møder i Google Meet, Zoom og Teams.

Omdøb og ret talere i Audiotexta

Når du uploader en fil, indsætter et link eller optager fra mikrofonen i Audiotexta, kommer transskriptionen tilbage med talermarkeringer og tidsstempler. For at gøre Taler 1 og Taler 2 til rigtige navne omdøber du taleren i editoren; det nye navn gælder for den talers segmenter i hele transskriptionen. Editoren fremhæver ordene under afspilning og lader dig klikke på et ord for at springe til det sted i lyden, så det går hurtigt at tjekke en tvivlsom replik med ørerne og rette den.

Omdøb og ret, før du eksporterer, så navnene kommer med i TXT, SRT og VTT (som du kan hente gratis, også uden konto) eller i DOCX, PDF, CSV og JSON på Pro. I undertekstfiler hjælper talernavne seerne med at følge dialogen; i CSV eller JSON giver de dig mulighed for at analysere, hvem der sagde hvad.

Som alle diarization-systemer fungerer Audiotexta bedst på tydelig lyd med forskellige stemmer, og det overfører ikke talernavne fra én fil til den næste: Hver optagelse starter med nye, anonyme markeringer.

Værktøjer, der transskriberer med talermarkeringer

Talermarkeringer er efterhånden almindelige, men de er implementeret forskelligt. Her er et kort overblik baseret på hver leverandørs dokumentation eller, hvor det er nævnt, tredjepartsbeskrivelser (tjekket oktober 2026; funktioner ændrer sig, så bekræft det på leverandørens side).

Mødeplatforme har en reel fordel her: Når alle deltager fra deres egen konto, kender platformen navnene uden at skulle gætte ud fra stemmerne. Apps, der husker stemmeaftryk, som Otter, sparer tid på at omdøbe, hvis du ofte optager de samme personer. Til uploadede optagelser fra interviews, telefonopkald eller podcasts er stemmebaseret diarization den eneste mulighed, og en hurtig gennemgang og omdøbning i editoren er en del af arbejdet.