Speaker Diarization: Identifikasi Pembicara dalam Transkrip

Speaker diarization adalah tahap dalam transkripsi otomatis yang menjawab pertanyaan "siapa berbicara kapan": rekaman dibagi menjadi segmen, segmen yang terdengar seperti suara yang sama dikelompokkan, lalu diberi label Pembicara 1, Pembicara 2, dan seterusnya. Sistem ini tidak tahu nama siapa pun; Anda, atau sistem yang sudah mengenal pesertanya, yang menambahkan nama setelahnya. Hasilnya baik pada rekaman yang jernih dengan beberapa suara yang berbeda jelas, dan kesulitan pada ucapan tumpang tindih, suara yang mirip, audio telepon, serta kelompok besar.

Panduan ini menjelaskan identifikasi pembicara dengan bahasa sederhana, bedanya dengan pengenalan pembicara, cara kerjanya di balik layar, apa yang mengacaukannya, dan cara mendapatkan transkrip dengan label pembicara yang bisa dipercaya.

Apa itu speaker diarization?

Transkrip mentah hanyalah tumpukan teks. Diarization mengubahnya menjadi percakapan:

Pembicara 1  00:00:03  Terima kasih sudah hadir. Kita mulai dari anggaran?
Pembicara 2  00:00:07  Boleh. Biaya perjalanan kita lebih sekitar sepuluh persen.
Pembicara 1  00:00:12  Oke, apa penyebabnya?

Istilah ini berasal dari kata "diary" (catatan harian): sistem menyimpan catatan suara mana yang aktif di setiap momen. Di sebagian besar alat transkripsi, diarization berjalan berdampingan dengan pengenalan ucapan. Model ucapan menghasilkan kata-kata beserta timestamp, model diarization menghasilkan segmen pembicara beserta timestamp, lalu keduanya diselaraskan sehingga setiap kata atau kalimat mendapat label pembicara.

Jika Anda mentranskripsi wawancara, rapat, atau podcast, label inilah yang membuat teksnya bisa dipakai: Anda bisa mengutip orang yang tepat, menghitung siapa yang paling banyak bicara, dan membaca cepat panggilan panjang per pembicara.

Diarization vs pengenalan pembicara

Keduanya sering tertukar, dan banyak halaman produk memakai istilah "identifikasi pembicara" secara longgar untuk keduanya.

Sebagian alat menggabungkan keduanya. Platform rapat tahu mikrofon peserta login mana yang sedang aktif, jadi bisa menampilkan nama tanpa analisis suara apa pun. Ada aplikasi yang memungkinkan Anda menandai suara sekali lalu mencoba mengenalinya di rekaman berikutnya. Model transkripsi dengan diarization dari OpenAI, misalnya, menerima klip referensi pendek untuk pembicara yang sudah dikenal, menurut dokumentasinya. Diarization biasa pada file yang diunggah, yang dilakukan sebagian besar layanan transkripsi, berakhir dengan label umum yang kemudian Anda ganti namanya.

Cara kerja speaker diarization

Sistem modern berbeda dalam detail, tetapi sebagian besar mengikuti tahapan besar yang sama. Toolkit open source pyannote.audio, salah satu pustaka diarization yang paling banyak dipakai, menjelaskan pipeline-nya dalam makalah Hervé Bredin di Interspeech 2023, "pyannote.audio 2.1 speaker diarization pipeline: principle, benchmark, and recipe", sebagai tiga tahap utama: segmentasi lokal pada jendela geser pendek, embedding pembicara, dan pengelompokan (clustering) global.

1. Temukan bagian yang berisi ucapan

Deteksi aktivitas suara (voice activity detection) menandai bagian rekaman mana yang berisi ucapan dan membuang hening, musik, dan kebisingan. Kesalahan di tahap ini merembet ke tahap berikutnya: ucapan yang terlewat tidak mendapat label, dan kebisingan yang dikira ucapan bisa memunculkan pembicara "hantu".

2. Potong ucapan menjadi segmen

Ucapan dipotong menjadi bagian-bagian pendek yang idealnya hanya berisi satu orang berbicara. Model neural yang lebih baru melihat beberapa detik sekaligus dan memperkirakan pembicara mana yang aktif di tiap frame, sehingga bisa juga menandai ucapan yang tumpang tindih.

3. Ubah tiap segmen menjadi embedding suara

Jaringan saraf mengubah setiap segmen menjadi embedding: deretan angka yang menangkap bagaimana suara itu terdengar (tinggi nada, warna suara, gaya bicara), bukan apa yang diucapkan. Segmen dari orang yang sama seharusnya menghasilkan embedding yang letaknya berdekatan.

4. Kelompokkan embedding

Algoritma clustering mengelompokkan embedding yang mirip. Setiap kelompok menjadi satu pembicara. Bagian tersulitnya adalah menentukan ada berapa kelompok: terlalu sedikit, dua orang tergabung dalam satu label; terlalu banyak, satu orang terpecah ke beberapa label. Sebagian layanan memungkinkan Anda memberi tahu perkiraan jumlah pembicara untuk membantu hal ini.

5. Selaraskan dengan kata-kata

Terakhir, segmen pembicara dicocokkan dengan timestamp kata dari pengenalan ucapan, sehingga setiap baris transkrip mendapat label. Kesalahan di batas pergantian sering terjadi: kata pertama sebuah jawaban bisa masuk ke pembicara sebelumnya.

Peneliti mengukur kualitas dengan diarization error rate (DER), yang menggabungkan ucapan yang terlewat, alarm palsu, dan pembicara yang tertukar. Angka yang dipublikasikan sangat bervariasi antar-dataset, dari audio siaran yang bersih hingga rapat multipihak yang bising, jadi satu angka "akurasi" hampir tidak memberi tahu apa-apa tentang rekaman Anda sendiri.

Apa yang mengacaukan pemisahan pembicara

• Ucapan yang tumpang tindih. Saat dua orang bicara bersamaan, biasanya satu suara yang mendapat label, dan kata-kata orang lainnya bisa hilang atau salah atribusi.
• Suara yang mirip. Dua orang dengan usia, jenis kelamin, dan logat yang mirip menghasilkan embedding yang berdekatan dan bisa tergabung.
• Audio telepon dan terkompresi. Saluran telepon berpita sempit dan pesan suara yang sangat terkompresi, seperti voice note WhatsApp, menghilangkan banyak detail yang diandalkan embedding.
• Banyak pembicara. Setiap suara tambahan membuat clustering lebih sulit, terutama jika sebagian orang hanya bicara sebentar.
• Giliran bicara yang pendek. "Iya", "betul", dan sahutan satu kata lainnya terlalu pendek untuk menghasilkan embedding yang andal.
• Satu mikrofon yang jauh. Laptop di tengah ruangan menangkap gema dan volume yang tidak rata; orang yang sama bisa terdengar berbeda tergantung tempat duduknya.
• Kondisi yang berubah. Pembicara yang berpindah tempat, beralih dari headset ke speakerphone, atau mulai berbisik bisa terpecah menjadi dua label.
• Kebisingan latar dan musik. Keduanya bisa dikira ucapan atau mengaburkan ciri suara.

Cara memisahkan pembicara dalam transkrip dengan lebih andal

Sebagian besar perbaikan datang dari rekaman, bukan dari perangkat lunak. Tips akurasi transkripsi kami membahas kualitas audio secara umum; khusus untuk pembicara:

• Beri setiap orang mikrofon sendiri jika memungkinkan, atau setidaknya jaga agar semua orang berada pada jarak yang mirip dari mikrofon bersama.
• Jika Anda bisa merekam setiap orang di track terpisah (setup podcast, atau rekaman panggilan stereo dengan satu pihak per kanal), transkripsikan track-nya secara terpisah. Kanal terpisah lebih andal daripada clustering suara mana pun.
• Minta peserta tidak saling memotong pada bagian yang Anda butuhkan secara verbatim, dan beri jeda sejenak sebelum menjawab.
• Hindari speakerphone dan audio video call yang diputar lewat speaker ruangan bila rekaman langsung memungkinkan.
• Minta setiap peserta menyebutkan namanya di awal. Ini tidak melatih model, tetapi membuat penggantian nama label jadi cepat.
• Usahakan satu percakapan tetap dalam satu file. Jika Anda mentranskripsinya per bagian, labelnya tidak akan cocok: Pembicara 1 di bagian pertama bisa menjadi Pembicara 2 di bagian kedua.
• Periksa beberapa menit pertama transkrip. Jika dua orang tergabung, masalahnya biasanya berlanjut di seluruh file.

Untuk wawancara, panduan transkripsi wawancara kami membahas penempatan mikrofon dan persetujuan narasumber; untuk panggilan, lihat panduan transkripsi rapat untuk Google Meet, Zoom, dan Teams.

Mengganti nama dan memperbaiki pembicara di Audiotexta

Saat Anda mengunggah file, menempelkan tautan, atau merekam dari mikrofon di Audiotexta, transkrip kembali dengan label pembicara dan timestamp. Untuk mengubah Pembicara 1 dan Pembicara 2 menjadi nama asli, ganti nama pembicara di editor; nama baru berlaku untuk semua segmen pembicara tersebut di seluruh transkrip. Editor menyorot kata-kata selama pemutaran dan memungkinkan Anda mengeklik kata mana pun untuk melompat ke titik itu di audio, sehingga giliran bicara yang meragukan cepat dicek dengan telinga dan dikoreksi.

Ganti nama dan koreksi sebelum mengekspor, agar nama-nama itu ikut masuk ke TXT, SRT, dan VTT (semuanya tersedia di paket gratis, tanpa akun) atau ke DOCX, PDF, CSV, dan JSON di paket Pro. Di file subtitle, nama pembicara membantu penonton mengikuti dialog; di CSV atau JSON, nama itu memungkinkan Anda menganalisis siapa mengatakan apa.

Seperti semua sistem diarization, Audiotexta bekerja paling baik pada audio jernih dengan suara yang berbeda jelas, dan tidak membawa nama pembicara dari satu file ke file berikutnya: setiap rekaman dimulai dengan label anonim yang baru.

Alat yang mentranskripsi dengan label pembicara

Label pembicara kini sudah umum, tetapi cara penerapannya berbeda-beda. Berikut gambaran singkat berdasarkan dokumentasi masing-masing vendor atau, jika disebutkan, deskripsi pihak ketiga (dicek Oktober 2026; fitur bisa berubah, jadi pastikan di situs vendor).

Platform rapat punya keunggulan nyata di sini: jika semua orang bergabung dari akun masing-masing, platform tahu namanya tanpa menebak dari suara. Aplikasi yang mengingat voiceprint, seperti Otter, menghemat waktu mengganti nama jika Anda sering merekam orang yang sama. Untuk rekaman yang diunggah dari wawancara, panggilan telepon, atau podcast, diarization berbasis suara adalah satu-satunya pilihan, dan meninjau serta mengganti nama dengan cepat di editor memang bagian dari pekerjaannya.