Rozpoznawanie mówców: jak działa diaryzacja w transkrypcji

Rozpoznawanie mówców w transkrypcji to technicznie diaryzacja – etap automatycznej transkrypcji, który odpowiada na pytanie „kto mówił i kiedy”: dzieli nagranie na fragmenty, grupuje te, które brzmią jak ten sam głos, i oznacza je jako Mówca 1, Mówca 2 itd. System nie zna niczyich imion; dodajesz je później ty albo system, który już zna uczestników. Diaryzacja dobrze działa przy wyraźnych nagraniach z kilkoma wyraźnie różnymi głosami, a ma trudności, gdy ludzie mówią jednocześnie, mają podobne głosy, rozmawiają przez telefon lub jest ich dużo.

W tym poradniku wyjaśniamy prostymi słowami, czym jest diaryzacja, czym różni się od identyfikacji mówcy, jak działa od środka, co ją psuje i jak uzyskać transkrypcję z wiarygodnym podziałem na mówców.

Czym jest diaryzacja mówców?

Surowa transkrypcja to ściana tekstu. Diaryzacja zamienia ją w rozmowę:

Mówca 1  00:00:03  Dzięki, że jesteście. Zaczniemy od budżetu?
Mówca 2  00:00:07  Jasne. Na podróżach mamy przekroczenie o mniej więcej dziesięć procent.
Mówca 1  00:00:12  Dobrze, a z czego to wynika?

Termin pochodzi od angielskiego „diary”, czyli dziennika: system prowadzi zapis tego, który głos jest aktywny w danej chwili. W większości narzędzi do transkrypcji diaryzacja działa równolegle z rozpoznawaniem mowy. Model mowy zwraca słowa ze znacznikami czasu, model diaryzacji – fragmenty przypisane do mówców, również ze znacznikami czasu, a następnie oba wyniki są dopasowywane, tak by każde słowo lub zdanie otrzymało etykietę mówcy.

Jeśli transkrybujesz wywiady, spotkania lub podcasty, to właśnie te etykiety sprawiają, że tekst nadaje się do użytku: możesz zacytować właściwą osobę, sprawdzić, kto mówił najwięcej, i przejrzeć długą rozmowę według mówców.

Diaryzacja a identyfikacja mówcy

Te pojęcia często się myli, a strony produktów używają określeń „rozpoznawanie mówców” czy „identyfikacja mówców” dość swobodnie dla obu zjawisk.

Niektóre narzędzia łączą oba podejścia. Platforma spotkań wie, którego zalogowanego uczestnika mikrofon jest aktywny, więc może pokazać imiona bez żadnej analizy głosu. Niektóre aplikacje pozwalają raz oznaczyć głos, a potem próbują go rozpoznać w kolejnych nagraniach. Według dokumentacji OpenAI jego model transkrypcji z diaryzacją przyjmuje na przykład krótkie nagrania wzorcowe znanych mówców. Zwykła diaryzacja przesłanego pliku, którą wykonuje większość usług transkrypcji, kończy się ogólnymi etykietami, których nazwy zmieniasz samodzielnie.

Jak działa diaryzacja mówców

Nowoczesne systemy różnią się szczegółami, ale większość przechodzi przez te same ogólne etapy. Otwartoźródłowa biblioteka pyannote.audio, jedno z najpopularniejszych narzędzi do diaryzacji, opisuje swój proces w artykule Hervégo Bredina z Interspeech 2023 „pyannote.audio 2.1 speaker diarization pipeline: principle, benchmark, and recipe” jako trzy główne etapy: lokalną segmentację w krótkich przesuwnych oknach, osadzenia (embeddingi) głosu i globalne grupowanie.

1. Wykrycie, gdzie jest mowa

Detekcja aktywności głosowej (VAD) oznacza, które części nagrania zawierają mowę, i odrzuca ciszę, muzykę oraz hałas. Błędy na tym etapie się kumulują: pominięta mowa nie dostaje etykiety, a hałas wzięty za mowę może stworzyć mówcę widmo.

2. Podział mowy na fragmenty

Mowa jest cięta na krótkie kawałki, w których w idealnym przypadku mówi tylko jedna osoba. Nowsze modele neuronowe analizują po kilka sekund naraz i oceniają, którzy mówcy są aktywni w każdej ramce, co pozwala im też wykrywać nakładające się wypowiedzi.

3. Zamiana fragmentu na embedding głosu

Sieć neuronowa przekształca każdy fragment w embedding: listę liczb opisującą, jak brzmi głos (wysokość, barwa, sposób mówienia), a nie to, co jest mówione. Fragmenty tej samej osoby powinny dawać embeddingi leżące blisko siebie.

4. Grupowanie embeddingów

Algorytm klastrowania grupuje podobne embeddingi. Każda grupa staje się mówcą. Najtrudniej ustalić, ile ma być grup: za mało – i dwie osoby zlewają się w jedną etykietę; za dużo – i jedna osoba zostaje rozbita na kilka. Niektóre usługi pozwalają podać oczekiwaną liczbę mówców, żeby to ułatwić.

5. Dopasowanie do słów

Na koniec fragmenty mówców są dopasowywane do znaczników czasu słów z rozpoznawania mowy, tak by każdy wiersz transkrypcji dostał etykietę. Błędy na granicach są częste: pierwsze słowo odpowiedzi może trafić do poprzedniego mówcy.

Badacze mierzą jakość wskaźnikiem DER (diarization error rate), który łączy pominiętą mowę, fałszywe alarmy i pomylonych mówców. Publikowane wyniki bardzo się różnią w zależności od zbioru danych – od czystego dźwięku radiowego po głośne spotkania wielu osób – więc pojedyncza „dokładność” niewiele mówi o twoich nagraniach.

Co psuje rozdzielanie mówców

• Mówienie jednocześnie. Gdy dwie osoby mówią naraz, etykietę zwykle dostaje jeden głos, a słowa drugiej osoby mogą zginąć lub zostać przypisane komuś innemu.
• Podobne głosy. Dwie osoby w podobnym wieku, tej samej płci i z podobnym akcentem dają bliskie embeddingi, które mogą się połączyć.
• Dźwięk telefoniczny i skompresowany. Wąskopasmowe połączenia telefoniczne i mocno skompresowane wiadomości głosowe usuwają wiele szczegółów, na których opierają się embeddingi.
• Wielu mówców. Każdy dodatkowy głos utrudnia grupowanie, zwłaszcza gdy niektórzy mówią tylko przez chwilę.
• Krótkie wypowiedzi. „Tak”, „no” i inne jednowyrazowe wtrącenia są za krótkie, by dać wiarygodny embedding.
• Jeden odległy mikrofon. Laptop na środku sali łapie pogłos i nierówne poziomy; ta sama osoba może brzmieć inaczej w zależności od tego, gdzie siedzi.
• Zmienne warunki. Mówca, który się przemieszcza, przechodzi ze słuchawek na tryb głośnomówiący albo zaczyna szeptać, może zostać rozbity na dwie etykiety.
• Hałas i muzyka w tle. Mogą zostać wzięte za mowę albo rozmyć cechy głosu.

Jak pewniej rozdzielić mówców w transkrypcji

Większość poprawy daje samo nagranie, a nie oprogramowanie. Nasze wskazówki dotyczące dokładności transkrypcji dotyczą jakości dźwięku ogólnie; w przypadku mówców:

• Jeśli możesz, daj każdej osobie własny mikrofon, a przynajmniej posadź wszystkich w podobnej odległości od wspólnego.
• Jeśli możesz nagrać każdą osobę na osobnej ścieżce (konfiguracja podcastowa albo stereofoniczne nagranie rozmowy z jedną stroną na kanał), transkrybuj ścieżki osobno. Oddzielne kanały są pewniejsze niż jakiekolwiek grupowanie głosów.
• Poproś, by uczestnicy nie przerywali sobie w fragmentach, które potrzebujesz dosłownie, i odczekali chwilę przed odpowiedzią.
• Unikaj trybu głośnomówiącego i dźwięku z wideorozmowy puszczanego przez głośniki w sali, jeśli możliwe jest nagranie bezpośrednie.
• Poproś każdego uczestnika, by na początku się przedstawił. To nie trenuje modelu, ale przyspiesza zmianę nazw etykiet.
• W miarę możliwości trzymaj jedną rozmowę w jednym pliku. Jeśli transkrybujesz ją w częściach, etykiety się nie pokryją: Mówca 1 w pierwszej części może być Mówcą 2 w drugiej.
• Sprawdź pierwsze minuty transkrypcji. Jeśli dwie osoby się zlały, problem zwykle trwa przez cały plik.

O ustawieniu mikrofonu i zgodzie na nagrywanie przy wywiadach przeczytasz w poradniku o transkrypcji wywiadu, a o rozmowach online – w poradniku o transkrypcji spotkań w Google Meet, Zoom i Teams.

Zmiana nazw i poprawianie mówców w Audiotexta

Gdy przesyłasz plik, wklejasz link lub nagrywasz z mikrofonu w Audiotexta, transkrypcja wraca z etykietami mówców i znacznikami czasu. Żeby zamienić Mówcę 1 i Mówcę 2 na prawdziwe imiona, zmień nazwę mówcy w edytorze; nowa nazwa obejmie wszystkie jego fragmenty w całej transkrypcji. Edytor podświetla słowa podczas odtwarzania i pozwala kliknąć dowolne słowo, by przeskoczyć do tego miejsca w nagraniu, więc wątpliwą wypowiedź szybko sprawdzisz na słuch i poprawisz.

Zmień nazwy i popraw tekst przed eksportem, żeby imiona trafiły do plików TXT, SRT i VTT (dostępnych w darmowym planie, także bez konta) albo DOCX, PDF, CSV i JSON w planie Pro. W napisach imiona mówców pomagają widzom śledzić dialog; w CSV czy JSON pozwalają analizować, kto co powiedział.

Jak każdy system diaryzacji Audiotexta działa najlepiej przy wyraźnym dźwięku i wyraźnie różnych głosach i nie przenosi imion mówców z pliku na plik: każde nagranie zaczyna się od nowych, anonimowych etykiet.

Narzędzia do transkrypcji z rozpoznawaniem mówców

Etykiety mówców są dziś powszechne, ale różnie realizowane. Oto krótki przegląd na podstawie dokumentacji producentów lub – tam, gdzie to zaznaczono – opisów zewnętrznych (sprawdzone w październiku 2026 r.; funkcje się zmieniają, więc potwierdź je na stronie producenta).

Platformy spotkań mają tu realną przewagę: gdy każdy dołącza z własnego konta, znają imiona bez zgadywania po głosie. Aplikacje zapamiętujące odciski głosu, takie jak Otter, oszczędzają czas na zmianę nazw, jeśli często nagrywasz te same osoby. W przypadku przesłanych nagrań wywiadów, rozmów telefonicznych czy podcastów diaryzacja na podstawie głosu jest jedyną opcją, a szybkie sprawdzenie i zmiana nazw w edytorze to po prostu część pracy.