Beszélőfelismerés (diarizáció): honnan tudja az átirat, ki szól?

A beszélőfelismerés, szakszóval diarizáció (angolul speaker diarization), az automatikus átírásnak az a lépése, amely megválaszolja, „ki mikor beszélt”: szakaszokra bontja a felvételt, csoportosítja az azonos hangnak tűnő szakaszokat, és Beszélő 1, Beszélő 2 stb. címkével látja el őket. Senkinek sem tudja a nevét; azt Ön vagy egy, a résztvevőket már ismerő rendszer adja hozzá utólag. Tiszta, néhány jól megkülönböztethető hangot tartalmazó felvételeken jól működik, az egymásba beszéléssel, a hasonló hangokkal, a telefonos hanggal és a nagy csoportokkal viszont nehezen boldogul.

Ez az útmutató közérthetően elmagyarázza a diarizációt, hogy miben különbözik a hangalapú beszélőazonosítástól, hogyan működik a háttérben, mi rontja el, és hogyan kaphat olyan beszélőcímkékkel ellátott átiratot, amelyben megbízhat.

Mi a beszélőfelismerés (diarizáció)?

Egy nyers átirat egyetlen szövegtömb. A diarizáció beszélgetéssé alakítja:

Beszélő 1  00:00:03  Köszönöm, hogy eljöttek. Kezdjük a költségvetéssel?
Beszélő 2  00:00:07  Rendben. Az utazási kereten nagyjából tíz százalékkal túl vagyunk.
Beszélő 1  00:00:12  Értem, és mi okozza ezt?

A kifejezés a „diary”, azaz napló szóból ered: a rendszer naplót vezet arról, melyik hang aktív az egyes pillanatokban. A legtöbb átíró eszközben a diarizáció a beszédfelismeréssel párhuzamosan fut. A beszédmodell időbélyeggel ellátott szavakat állít elő, a diarizációs modell időbélyeggel ellátott beszélőszakaszokat, és a kettőt összehangolják, így minden szó vagy mondat beszélőcímkét kap.

Ha interjúkat, megbeszéléseket vagy podcastokat ír át, ezek a címkék teszik használhatóvá a szöveget: a megfelelő embert idézheti, megszámolhatja, ki beszélt a legtöbbet, és beszélőnként átfuthat egy hosszú hívást.

Diarizáció vs hangalapú beszélőazonosítás

A kettőt gyakran összekeverik, és sok termékoldal a „beszélőazonosítás” kifejezést lazán mindkettőre használja. A magyar szóhasználat sem egységes: a „beszélőfelismerés” egyes helyeken a diarizációt, máshol a személy hangalapú azonosítását jelenti.

Egyes eszközök ötvözik a kettőt. Egy megbeszélésplatform tudja, melyik bejelentkezett résztvevő mikrofonja aktív, így hangelemzés nélkül is meg tudja jeleníteni a neveket. Egyes alkalmazásokban egyszer megjelölhet egy hangot, és a program később más felvételeken is megpróbálja felismerni. Az OpenAI diarizációs átíró modellje például a dokumentációja szerint rövid referenciaklipeket is elfogad ismert beszélőkről. Egy feltöltött fájl egyszerű diarizációja, amit a legtöbb átírószolgáltatás végez, általános címkékkel zárul, amelyeket Ön nevez át.

Hogyan működik a diarizáció

A modern rendszerek részleteikben eltérnek, de többnyire ugyanazokat a fő lépéseket követik. A nyílt forráskódú pyannote.audio, az egyik legszélesebb körben használt diarizációs könyvtár, Hervé Bredin Interspeech 2023-as tanulmányában („pyannote.audio 2.1 speaker diarization pipeline: principle, benchmark, and recipe”) három fő szakaszként írja le a folyamatát: helyi szegmentálás rövid, csúszó ablakokon, beszélő-beágyazások és globális klaszterezés.

1. A beszéd megtalálása

A beszédaktivitás-érzékelés megjelöli, a felvétel mely részei tartalmaznak beszédet, és kiszűri a csendet, a zenét és a zajt. Az itt elkövetett hibák továbbgyűrűznek: a kimaradt beszéd nem kap címkét, a beszédnek vélt zaj pedig fantombeszélőt hozhat létre.

2. A beszéd szakaszolása

A beszédet rövid darabokra vágja, amelyekben ideális esetben csak egy ember beszél. Az újabb neurális modellek egyszerre néhány másodpercet vizsgálnak, és megbecsülik, mely beszélők aktívak az egyes képkockákban, így az egymásba beszélést is jelezni tudják.

3. Hangbeágyazás minden szakaszhoz

Egy neurális hálózat minden szakaszt beágyazássá alakít: olyan számsorrá, amely azt rögzíti, milyen a hang (hangmagasság, hangszín, beszédstílus), nem azt, hogy mi hangzik el. Ugyanattól a személytől származó szakaszok beágyazásai elvileg közel esnek egymáshoz.

4. A beágyazások klaszterezése

Egy klaszterező algoritmus csoportosítja a hasonló beágyazásokat. Minden csoportból egy beszélő lesz. A nehéz rész eldönteni, hány csoport van: ha túl kevés, két ember egy címke alá kerül; ha túl sok, egy embert több címke között oszt szét. Egyes szolgáltatásoknál megadhatja a várható beszélőszámot, ami segít ebben.

5. Összehangolás a szavakkal

Végül a beszélőszakaszokat a beszédfelismerésből származó szó-időbélyegekhez illesztik, így az átirat minden sora címkét kap. A határokon gyakoriak a hibák: egy válasz első szava átcsúszhat az előző beszélőhöz.

A kutatók a minőséget a diarizációs hibaaránnyal (DER) mérik, amely egyesíti a kimaradt beszédet, a téves riasztásokat és az összekevert beszélőket. A közzétett számok adatkészletenként nagyon eltérnek a tiszta műsorszórási hangtól a zajos, többszereplős megbeszélésekig, így egyetlen „pontossági” szám keveset árul el az Ön felvételeiről.

Mi rontja el a beszélők szétválasztását

• Egymásba beszélés. Ha ketten egyszerre beszélnek, általában az egyik hang kapja a címkét, a másik szavai elveszhetnek vagy rossz beszélőhöz kerülhetnek.
• Hasonló hangok. Két hasonló korú, nemű és akcentusú ember beágyazásai közel esnek egymáshoz, és összeolvadhatnak.
• Telefonos és tömörített hang. A keskeny sávú telefonvonalak és az erősen tömörített hangüzenetek sok olyan részletet eltávolítanak, amelyre a beágyazások támaszkodnak.
• Sok beszélő. Minden további hang nehezíti a klaszterezést, különösen ha egyesek csak röviden szólalnak meg.
• Rövid megszólalások. Az „igen”, „persze” és más egyszavas közbeszólások túl rövidek egy megbízható beágyazáshoz.
• Egyetlen távoli mikrofon. A szoba közepén álló laptop visszhangot és egyenetlen hangerőt rögzít; ugyanaz az ember másképp szólhat attól függően, hol ül.
• Változó körülmények. Ha egy beszélő mozog, fejhallgatóról kihangosítóra vált, vagy suttogni kezd, két címke közé oszthatja a rendszer.
• Háttérzaj és zene. Mindkettőt beszédnek vélheti a rendszer, vagy elmoshatják a hang jellemzőit.

Hogyan választhatja szét megbízhatóbban a beszélőket az átiratban

A javulás nagy része a felvételből jön, nem a szoftverből. Átírási pontosságról szóló tippjeink általánosságban foglalkoznak a hangminőséggel; kifejezetten a beszélőkhöz:

• Ha lehet, mindenkinek legyen saját mikrofonja, vagy legalább mindenki hasonló távolságra üljön a közös mikrofontól.
• Ha minden embert külön sávra rögzíthet (podcastos felállás vagy sztereó hívásfelvétel, csatornánként egy féllel), a sávokat külön írja át. A külön csatornák megbízhatóbbak bármilyen hangalapú klaszterezésnél.
• Kérje meg a résztvevőket, hogy azokban a részekben, amelyeket szó szerint szeretne rögzíteni, ne beszéljenek egymás szavába, és válasz előtt hagyjanak egy kis szünetet.
• Ha közvetlen felvétel is lehetséges, kerülje a kihangosítót és a szobai hangszórón keresztül szóló videóhívás-hangot.
• Kérje meg a résztvevőket, hogy az elején mondják be a nevüket. Ez nem tanítja a modellt, de gyorssá teszi a címkék átnevezését.
• Ha lehet, egy beszélgetést egy fájlban tartson. Ha részletekben írja át, a címkék nem fognak egyezni: az első rész Beszélő 1-e a második részben Beszélő 2 lehet.
• Ellenőrizze az átirat első néhány percét. Ha két ember összeolvadt, a probléma általában az egész fájlon végigvonul.

Interjúkhoz interjúátírási útmutatónk a mikrofon elhelyezésével és a beleegyezéssel is foglalkozik; hívásokhoz nézze meg a Google Meet, Zoom és Teams megbeszélések átírásáról szóló útmutatót.

Beszélők átnevezése és javítása az Audiotextában

Ha az Audiotextában feltölt egy fájlt, beilleszt egy linket vagy a mikrofonról rögzít, az átirat beszélőcímkékkel és időbélyegekkel érkezik vissza. Ha a Beszélő 1 és Beszélő 2 helyett valódi neveket szeretne, nevezze át a beszélőt a szerkesztőben; az új név az adott beszélő összes szakaszára érvényes lesz az átiratban. A szerkesztő lejátszás közben kiemeli a szavakat, és bármelyik szóra kattintva a hangfelvétel adott pontjára ugorhat, így egy kétes megszólalást gyorsan ellenőrizhet fülre, és kijavíthat.

Exportálás előtt nevezze át és javítsa a beszélőket, hogy a nevek bekerüljenek a TXT, SRT és VTT fájlokba (ezek fiók nélkül, az ingyenes csomagban is elérhetők), illetve Pro csomaggal a DOCX, PDF, CSV és JSON fájlokba. A feliratfájlokban a beszélőnevek segítenek a nézőknek követni a párbeszédet; CSV-ben vagy JSON-ban pedig elemezheti, ki mit mondott.

Mint minden diarizációs rendszer, az Audiotexta is tiszta hangon és jól megkülönböztethető hangokkal működik a legjobban, és nem viszi át a beszélőneveket egyik fájlból a másikba: minden felvétel új, névtelen címkékkel indul.

Beszélőcímkékkel átíró eszközök

A beszélőcímkék ma már elterjedtek, de eltérő módon valósítják meg őket. Az alábbi rövid áttekintés az egyes gyártók dokumentációján, illetve ahol jelöltük, külső leírásokon alapul (ellenőrizve 2026 októberében; a funkciók változnak, ezért nézze meg a gyártó oldalán is).

A megbeszélésplatformoknak itt valódi előnyük van: ha mindenki a saját fiókjából csatlakozik, hangok alapján való találgatás nélkül is ismerik a neveket. A hanglenyomatokat megjegyző alkalmazások, például az Otter, időt takarítanak meg az átnevezésen, ha gyakran rögzíti ugyanazokat az embereket. Interjúkból, telefonhívásokból vagy podcastokból származó feltöltött felvételeknél a hangalapú diarizáció az egyetlen lehetőség, és a szerkesztőben végzett gyors átnézés és átnevezés a munka része.