Taleridentifisering: slik vet transkripsjonen hvem som snakker

Taleridentifisering i automatisk transkripsjon – på engelsk speaker diarization – er steget som svarer på «hvem snakket når»: opptaket deles i segmenter, segmenter som høres ut som samme stemme grupperes, og de merkes Taler 1, Taler 2 og så videre. Systemet vet ikke hva noen heter; navnene legger du inn etterpå, eller et system som allerede kjenner deltakerne. Det fungerer godt på tydelige opptak med noen få ulike stemmer, men sliter når folk snakker samtidig, når stemmene ligner, med telefonlyd og i store grupper.

Denne guiden forklarer diarisering med enkle ord, hvordan det skiller seg fra stemmegjenkjenning, hvordan det fungerer under panseret, hva som får det til å feile, og hvordan du får en transkripsjon med talermerking du kan stole på.

Hva er speaker diarization?

En rå transkripsjon er en vegg av tekst. Diarisering gjør den om til en samtale:

Taler 1  00:00:03  Takk for at dere kom. Skal vi begynne med budsjettet?
Taler 2  00:00:07  Gjerne. Vi ligger omtrent ti prosent over på reiser.
Taler 1  00:00:12  Ok, hva er det som driver det?

Begrepet kommer av engelsk «diary», dagbok: systemet fører en logg over hvilken stemme som er aktiv i hvert øyeblikk. I de fleste transkripsjonsverktøy kjører diariseringen side om side med talegjenkjenningen. Talemodellen lager ord med tidsstempler, diariseringsmodellen lager talersegmenter med tidsstempler, og de to kobles sammen slik at hvert ord eller hver setning får en taleretikett.

Transkriberer du intervjuer, møter eller podkaster, er det disse etikettene som gjør teksten brukbar: du kan sitere riktig person, telle hvem som snakket mest, og skumlese en lang samtale per taler.

Diarisering vs stemmegjenkjenning

De to blandes ofte sammen, og mange produktsider bruker «taleridentifisering» løst om begge deler.

Noen verktøy blander de to. En møteplattform vet hvilken innlogget deltakers mikrofon som er aktiv, og kan vise navn uten noen stemmeanalyse. Noen apper lar deg merke en stemme én gang og prøver så å gjenkjenne den i senere opptak. OpenAIs transkripsjonsmodell med diarisering tar for eksempel imot korte referanseklipp av kjente talere, ifølge dokumentasjonen. Ren diarisering av en opplastet fil, som er det de fleste transkripsjonstjenester gjør, ender med generiske etiketter som du gir nytt navn.

Slik fungerer speaker diarization

Moderne systemer skiller seg i detaljene, men de fleste følger de samme hovedstegene. Verktøysettet pyannote.audio med åpen kildekode, et av de mest brukte bibliotekene for diarisering, beskriver løsningen sin i Hervé Bredins artikkel fra Interspeech 2023, «pyannote.audio 2.1 speaker diarization pipeline: principle, benchmark, and recipe», som tre hovedsteg: lokal segmentering over korte, glidende vinduer, stemmeembeddinger og global klynging.

1. Finn ut hvor det er tale

Taledeteksjon (voice activity detection) markerer hvilke deler av opptaket som inneholder tale, og forkaster stillhet, musikk og støy. Feil her forplanter seg: tale som overses, får ingen etikett, og støy som tolkes som tale, kan skape en fantomtaler.

2. Del opp talen

Talen kuttes i korte biter der bare én person ideelt sett snakker. Nyere nevrale modeller ser på noen sekunder om gangen og anslår hvilke talere som er aktive i hver ramme, og det gjør at de også kan markere overlappende tale.

3. Gjør hvert segment om til en stemmeembedding

Et nevralt nettverk gjør hvert segment om til en embedding: en liste med tall som fanger hvordan stemmen høres ut (tonehøyde, klangfarge, talemåte), ikke hva som blir sagt. Segmenter fra samme person bør gi embeddinger som ligger nær hverandre.

4. Grupper embeddingene

En klyngealgoritme grupperer like embeddinger. Hver gruppe blir en taler. Det vanskelige er å avgjøre hvor mange grupper det er: for få, og to personer slås sammen til én etikett; for mange, og én person deles på flere etiketter. Noen tjenester lar deg oppgi forventet antall talere for å hjelpe med dette.

5. Koble til ordene

Til slutt kobles talersegmentene til tidsstemplene fra talegjenkjenningen, slik at hver linje i transkripsjonen får en etikett. Feil ved overgangene er vanlige: det første ordet i et svar kan havne på forrige taler.

Forskere måler kvaliteten med diarization error rate (DER), som kombinerer oversett tale, falske alarmer og forvekslede talere. Publiserte tall varierer enormt mellom datasett, fra ren kringkastingslyd til støyende møter med mange deltakere, så ett enkelt «nøyaktighetstall» sier lite om dine egne opptak.

Hva som ødelegger talerseparasjonen

• Overlappende tale. Når to snakker samtidig, vinner som regel én stemme etiketten, og den andres ord kan forsvinne eller bli tilskrevet feil person.
• Stemmer som ligner. To personer med lignende alder, kjønn og aksent gir embeddinger som ligger nær hverandre og kan slås sammen.
• Telefonlyd og komprimert lyd. Smalbåndede telefonlinjer og hardt komprimerte talemeldinger fjerner mye av detaljene embeddingene bygger på.
• Mange talere. Hver ekstra stemme gjør klyngingen vanskeligere, særlig hvis noen bare snakker kort.
• Korte replikker. «Ja», «nettopp» og andre innskudd på ett ord er for korte til å gi en pålitelig embedding.
• Én mikrofon langt unna. En bærbar PC midt i rommet fanger opp ekko og ujevnt lydnivå; samme person kan høres forskjellig ut avhengig av hvor hun sitter.
• Endrede forhold. En taler som flytter seg, bytter fra hodetelefoner til høyttalertelefon eller begynner å hviske, kan bli delt på to etiketter.
• Bakgrunnsstøy og musikk. Begge deler kan tolkes som tale eller viske ut stemmetrekkene.

Slik skiller du talere i en transkripsjon mer pålitelig

Mesteparten av gevinsten kommer fra opptaket, ikke fra programvaren. Tipsene våre om nøyaktighet i transkripsjon handler om lydkvalitet generelt; for talere spesielt gjelder dette:

• Gi hver person sin egen mikrofon om mulig, eller sørg i det minste for at alle sitter omtrent like langt fra en felles mikrofon.
• Kan du ta opp hver person på et eget spor (et podkastoppsett, eller et stereoopptak av en samtale med én side per kanal), transkriberer du sporene hver for seg. Egne kanaler er mer pålitelige enn noen stemmeklynging.
• Be folk om ikke å snakke i munnen på hverandre i de delene du trenger ordrett, og vente et øyeblikk før de svarer.
• Unngå høyttalertelefon og lyd fra videosamtaler som spilles gjennom romhøyttalere når et direkte opptak er mulig.
• La hver deltaker si navnet sitt i starten. Det trener ikke modellen, men gjør det raskt å gi etikettene riktige navn.
• Hold én samtale i én fil der det går. Transkriberer du i deler, stemmer ikke etikettene overens: Taler 1 i del én kan være Taler 2 i del to.
• Sjekk de første minuttene av transkripsjonen. Er to personer slått sammen, vedvarer problemet som regel gjennom hele filen.

For intervjuer går guiden vår om transkribering av intervjuer gjennom mikrofonplassering og samtykke; for samtaler kan du lese guiden om transkribering av møter i Google Meet, Zoom og Teams.

Gi talere nytt navn og rett dem i Audiotexta

Når du laster opp en fil, limer inn en lenke eller tar opp fra mikrofonen i Audiotexta, kommer transkripsjonen tilbake med talermerking og tidsstempler. For å gjøre Taler 1 og Taler 2 om til ekte navn gir du taleren nytt navn i redigeringsverktøyet; det nye navnet gjelder alle segmentene til den taleren i hele transkripsjonen. Redigeringsverktøyet markerer ordene under avspilling og lar deg klikke på et ord for å hoppe til det stedet i lyden, så det går raskt å sjekke en tvilsom replikk med øret og rette den.

Gi nye navn og rett før du eksporterer, slik at navnene blir med i TXT, SRT og VTT (alle tilgjengelige på gratisplanen, også uten konto) eller DOCX, PDF, CSV og JSON på Pro. I undertekstfiler hjelper talernavn seerne å følge dialogen; i CSV eller JSON kan du analysere hvem som sa hva.

Som alle diariseringssystemer fungerer Audiotexta best på tydelig lyd med ulike stemmer, og den tar ikke med talernavn fra én fil til den neste: hvert opptak starter med nye, anonyme etiketter.

Verktøy som transkriberer med talermerking

Talermerking er vanlig nå, men den er implementert ulikt. Her er en kort oversikt basert på leverandørenes dokumentasjon eller, der det er angitt, beskrivelser fra tredjeparter (sjekket oktober 2026; funksjoner endrer seg, så bekreft på leverandørens nettsted).

Møteplattformene har en reell fordel her: når alle blir med fra sin egen konto, vet de navnene uten å gjette ut fra stemmer. Apper som husker stemmeavtrykk, som Otter, sparer deg for omdøping hvis du ofte tar opp de samme personene. For opplastede opptak fra intervjuer, telefonsamtaler eller podkaster er stemmebasert diarisering det eneste alternativet, og en rask gjennomgang og omdøping i redigeringsverktøyet hører med.