Diarizzazione dei parlanti: come una trascrizione sa chi parla

La diarizzazione dei parlanti è il passaggio della trascrizione automatica che risponde alla domanda "chi ha parlato e quando": divide una registrazione in segmenti, raggruppa quelli che sembrano della stessa voce e li etichetta come Parlante 1, Parlante 2 e così via. Non conosce il nome di nessuno: i nomi li aggiungi tu dopo, oppure un sistema che conosce già i partecipanti. Funziona bene su registrazioni chiare con poche voci ben distinte e fa fatica con voci sovrapposte, voci simili, audio telefonico e gruppi numerosi.

Questa guida spiega la diarizzazione in parole semplici, come si distingue dal riconoscimento del parlante, come funziona dietro le quinte, cosa la manda in crisi e come ottenere una trascrizione con etichette dei parlanti di cui ti puoi fidare.

Cos'è la diarizzazione dei parlanti?

Una trascrizione grezza è un muro di testo. La diarizzazione la trasforma in una conversazione:

Parlante 1  00:00:03  Grazie per esserci. Partiamo dal budget?
Parlante 2  00:00:07  Certo. Sulle trasferte siamo sopra di circa il dieci per cento.
Parlante 1  00:00:12  Va bene, da cosa dipende?

Il termine deriva dall'inglese "diary", diario: il sistema tiene un registro di quale voce è attiva in ogni momento. Nella maggior parte degli strumenti di trascrizione la diarizzazione lavora insieme al riconoscimento vocale. Il modello di trascrizione produce parole con marcature temporali, il modello di diarizzazione produce segmenti di parlante con marcature temporali, e i due vengono allineati in modo che ogni parola o frase riceva un'etichetta.

Se trascrivi interviste, riunioni o podcast, sono queste etichette a rendere il testo utilizzabile: puoi citare la persona giusta, capire chi ha parlato di più e scorrere una lunga chiamata per parlante.

Diarizzazione e riconoscimento del parlante

Le due cose si confondono spesso, e molte pagine di prodotto usano "identificazione dei parlanti" in modo generico per entrambe.

Alcuni strumenti uniscono le due cose. Una piattaforma di riunioni sa quale partecipante collegato con il proprio account ha il microfono attivo, quindi può mostrare i nomi senza alcuna analisi della voce. Alcune app permettono di etichettare una voce una volta e poi cercano di riconoscerla nelle registrazioni successive. Il modello di trascrizione con diarizzazione di OpenAI, per esempio, accetta brevi clip di riferimento per i parlanti noti, secondo la sua documentazione. La semplice diarizzazione su un file caricato, che è ciò che fa la maggior parte dei servizi di trascrizione, termina con etichette generiche da rinominare.

Come funziona la diarizzazione

I sistemi moderni differiscono nei dettagli, ma quasi tutti seguono le stesse fasi generali. Il toolkit open source pyannote.audio, una delle librerie di diarizzazione più usate, descrive la sua pipeline nell'articolo di Hervé Bredin presentato a Interspeech 2023, "pyannote.audio 2.1 speaker diarization pipeline: principle, benchmark, and recipe", in tre fasi principali: segmentazione locale su brevi finestre scorrevoli, embedding dei parlanti e clustering globale.

1. Trovare dove c'è parlato

Il rilevamento dell'attività vocale indica quali parti della registrazione contengono parlato e scarta silenzio, musica e rumore. Gli errori qui si propagano: il parlato non rilevato non riceve etichette, e un rumore scambiato per voce può creare un parlante fantasma.

2. Segmentare il parlato

Il parlato viene tagliato in pezzi brevi in cui, idealmente, parla una sola persona. I modelli neurali più recenti analizzano pochi secondi alla volta e stimano quali parlanti sono attivi in ogni frame, il che permette anche di segnalare le voci sovrapposte.

3. Trasformare ogni segmento in un embedding vocale

Una rete neurale converte ogni segmento in un embedding: una serie di numeri che descrive come suona la voce (altezza, timbro, modo di parlare) e non cosa viene detto. I segmenti della stessa persona dovrebbero produrre embedding vicini tra loro.

4. Raggruppare gli embedding

Un algoritmo di clustering raggruppa gli embedding simili, e ogni gruppo diventa un parlante. La parte difficile è decidere quanti gruppi ci sono: troppo pochi e due persone finiscono sotto la stessa etichetta; troppi e una persona viene divisa in più etichette. Alcuni servizi permettono di indicare il numero previsto di parlanti per aiutare in questo passaggio.

5. Allineare con le parole

Infine i segmenti dei parlanti vengono abbinati alle marcature temporali delle parole del riconoscimento vocale, così ogni riga della trascrizione riceve un'etichetta. Gli errori ai confini sono frequenti: la prima parola di una risposta può finire attribuita al parlante precedente.

I ricercatori misurano la qualità con il diarization error rate (DER), che combina parlato perso, falsi allarmi e parlanti confusi. I valori pubblicati variano enormemente da un dataset all'altro, dall'audio pulito delle trasmissioni alle riunioni rumorose con molte persone, quindi un singolo dato di "accuratezza" dice poco sulle tue registrazioni.

Cosa manda in crisi la separazione dei parlanti

• Voci sovrapposte. Quando due persone parlano insieme, di solito una voce si prende l'etichetta e le parole dell'altra possono andare perse o essere attribuite male.
• Voci simili. Due persone di età, genere e accento simili producono embedding vicini e possono essere fuse.
• Audio telefonico e compresso. Le linee telefoniche a banda stretta e i vocali molto compressi eliminano gran parte dei dettagli su cui si basano gli embedding.
• Molti parlanti. Ogni voce in più rende il clustering più difficile, soprattutto se alcune persone intervengono solo brevemente.
• Turni brevi. "Sì", "certo", "esatto" e altre interiezioni di una parola sono troppo brevi per produrre un embedding affidabile.
• Un solo microfono lontano. Un portatile al centro della sala capta eco e livelli disomogenei; la stessa persona può suonare diversa a seconda di dove è seduta.
• Condizioni che cambiano. Chi si sposta, passa dalle cuffie al vivavoce o inizia a sussurrare può essere diviso in due etichette.
• Rumore di fondo e musica. Possono essere scambiati per parlato o confondere le caratteristiche della voce.

Come separare i parlanti in una trascrizione in modo più affidabile

La maggior parte dei miglioramenti arriva dalla registrazione, non dal software. I nostri consigli per trascrizioni accurate parlano della qualità audio in generale; per i parlanti in particolare:

• Se puoi, dai a ogni persona il proprio microfono, o almeno tieni tutti a una distanza simile da quello condiviso.
• Se puoi registrare ogni persona su una traccia separata (una configurazione da podcast, o una chiamata registrata in stereo con un interlocutore per canale), trascrivi le tracce separatamente. I canali separati sono più affidabili di qualsiasi clustering delle voci.
• Chiedi alle persone di non parlarsi sopra nelle parti che ti servono parola per parola, e di lasciare un attimo prima di rispondere.
• Evita il vivavoce e l'audio delle videochiamate diffuso dagli altoparlanti della sala, quando è possibile registrare direttamente.
• Fai dire a ogni partecipante il proprio nome all'inizio. Non addestra il modello, ma rende veloce rinominare le etichette.
• Quando puoi, tieni una conversazione in un unico file. Se la trascrivi a pezzi, le etichette non coincideranno: il Parlante 1 della prima parte può diventare il Parlante 2 della seconda.
• Controlla i primi minuti della trascrizione. Se due persone sono state fuse, il problema di solito continua per tutto il file.

Per le interviste, la nostra guida alla trascrizione delle interviste parla di posizionamento del microfono e consenso; per le chiamate, vedi la guida alla trascrizione delle riunioni su Google Meet, Zoom e Teams.

Rinominare e correggere i parlanti in Audiotexta

Quando carichi un file, incolli un link o registri dal microfono in Audiotexta, la trascrizione arriva con etichette dei parlanti e marcature temporali. Per trasformare Parlante 1 e Parlante 2 in nomi veri, rinomina il parlante nell'editor: il nuovo nome si applica a tutti i segmenti di quel parlante nella trascrizione. L'editor evidenzia le parole durante la riproduzione e ti permette di cliccare su qualsiasi parola per saltare a quel punto dell'audio, così è rapido verificare a orecchio un turno dubbio e correggerlo.

Rinomina e correggi prima di esportare, così i nomi finiscono nei file TXT, SRT e VTT (disponibili con il piano gratuito, anche senza account) oppure in DOCX, PDF, CSV e JSON con il piano Pro. Nei sottotitoli i nomi dei parlanti aiutano a seguire i dialoghi; in CSV o JSON permettono di analizzare chi ha detto cosa.

Come ogni sistema di diarizzazione, Audiotexta dà il meglio su audio chiaro con voci distinte, e non porta i nomi dei parlanti da un file all'altro: ogni registrazione parte con etichette nuove e anonime.

Strumenti che trascrivono con etichette dei parlanti

Le etichette dei parlanti ormai sono comuni, ma vengono implementate in modi diversi. Ecco una breve panoramica basata sulla documentazione di ogni fornitore o, dove indicato, su descrizioni di terzi (verificato a ottobre 2026; le funzioni cambiano, quindi controlla sul sito del fornitore).

Qui le piattaforme di riunione hanno un vantaggio reale: quando ognuno si collega con il proprio account, conoscono i nomi senza doverli dedurre dalle voci. Le app che ricordano le impronte vocali, come Otter, fanno risparmiare tempo se registri spesso le stesse persone. Per le registrazioni caricate di interviste, telefonate o podcast, la diarizzazione basata sulla voce è l'unica opzione, e una rapida revisione con rinomina dei parlanti nell'editor fa parte del lavoro.