Диаризация спикеров: как расшифровка понимает, кто говорит

Диаризация спикеров — этап автоматической транскрибации, который отвечает на вопрос «кто и когда говорил»: он делит запись на фрагменты, объединяет фрагменты, звучащие как один голос, и подписывает их «Спикер 1», «Спикер 2» и так далее. Имён система не знает — их добавляете вы или сервис, которому участники уже известны. Диаризация хорошо работает на чистых записях с несколькими непохожими голосами и плохо справляется с одновременной речью, похожими голосами, телефонным звуком и большими группами.

В этом руководстве простыми словами объясняем, что такое диаризация, чем она отличается от распознавания диктора, как устроена внутри, что ей мешает и как получить расшифровку с разделением на спикеров, которой можно доверять.

Что такое диаризация спикеров

Сырая расшифровка — это сплошная стена текста. Диаризация превращает её в разговор:

Спикер 1  00:00:03  Спасибо, что подключились. Начнём с бюджета?
Спикер 2  00:00:07  Давайте. По командировкам у нас перерасход примерно десять процентов.
Спикер 1  00:00:12  Так, а из-за чего?

Термин происходит от английского diary — «дневник»: система ведёт журнал того, какой голос звучит в каждый момент. В большинстве сервисов транскрибации диаризация работает параллельно с распознаванием речи. Модель распознавания выдаёт слова с метками времени, модель диаризации — фрагменты спикеров с метками времени, а затем их совмещают, чтобы у каждого слова или предложения появилась метка говорящего.

Если вы расшифровываете интервью, совещания или подкасты, именно эти метки делают текст пригодным к работе: можно процитировать нужного человека, посчитать, кто говорил больше всех, и пробежать длинный созвон по участникам.

Диаризация и распознавание диктора

Эти понятия часто путают, а на страницах продуктов словом «идентификация спикеров» нередко называют и то и другое.

Некоторые инструменты совмещают оба подхода. Платформа видеосвязи знает, чей микрофон сейчас активен, и может показывать имена вообще без анализа голоса. Некоторые приложения позволяют один раз отметить голос, а затем пытаются узнать его в следующих записях. Модель OpenAI для транскрибации с диаризацией, например, по данным документации, принимает короткие эталонные фрагменты известных спикеров. Обычная диаризация загруженного файла — а именно её делают большинство сервисов транскрибации — заканчивается общими метками, которые вы переименовываете.

Как работает диаризация

Современные системы различаются в деталях, но большинство проходит одни и те же основные этапы. Открытая библиотека pyannote.audio, одна из самых распространённых для диаризации, описывает свой конвейер в статье Эрве Бредена для Interspeech 2023 «pyannote.audio 2.1 speaker diarization pipeline: principle, benchmark, and recipe» как три основных этапа: локальная сегментация в коротких скользящих окнах, голосовые эмбеддинги и глобальная кластеризация.

1. Найти, где есть речь

Детектор речевой активности отмечает участки записи с речью и отбрасывает тишину, музыку и шум. Ошибки здесь тянутся дальше: пропущенная речь не получит метки, а шум, принятый за речь, может породить несуществующего спикера.

2. Разбить речь на фрагменты

Речь режется на короткие куски, в каждом из которых в идеале говорит один человек. Новые нейросетевые модели смотрят на несколько секунд за раз и оценивают, какие спикеры активны в каждом кадре, — это позволяет заодно отмечать наложение голосов.

3. Превратить каждый фрагмент в голосовой эмбеддинг

Нейросеть превращает каждый фрагмент в эмбеддинг — набор чисел, который описывает, как звучит голос (высота, тембр, манера речи), а не что именно сказано. Эмбеддинги фрагментов одного человека должны оказаться близко друг к другу.

4. Кластеризовать эмбеддинги

Алгоритм кластеризации объединяет похожие эмбеддинги, и каждая группа становится спикером. Самое сложное — понять, сколько групп всего: если мало, два человека сливаются в одну метку; если много, один человек дробится на несколько. Некоторые сервисы позволяют указать ожидаемое число спикеров, чтобы помочь системе.

5. Совместить со словами

Наконец, фрагменты спикеров сопоставляются с метками времени слов из распознавания речи, и каждая строка расшифровки получает метку. Ошибки на границах встречаются часто: первое слово ответа может достаться предыдущему говорящему.

Исследователи измеряют качество через долю ошибок диаризации (DER — diarization error rate), которая складывает пропущенную речь, ложные срабатывания и перепутанных спикеров. Опубликованные цифры сильно различаются между наборами данных — от чистого эфирного звука до шумных совещаний с множеством участников, — поэтому одна цифра «точности» мало что говорит о ваших собственных записях.

Что мешает разделять спикеров

• Одновременная речь. Когда двое говорят разом, метку обычно получает один голос, а слова второго могут потеряться или уйти не тому человеку.
• Похожие голоса. У двух людей одного возраста, пола и с одинаковым произношением эмбеддинги оказываются рядом и могут слиться.
• Телефонный и сжатый звук. Узкополосная телефонная связь и сильно сжатые голосовые сообщения из Telegram, MAX или WhatsApp теряют многие детали, на которые опираются эмбеддинги.
• Много спикеров. Каждый дополнительный голос усложняет кластеризацию, особенно если кто-то говорит совсем мало.
• Короткие реплики. «Ага», «да», «понял» и другие односложные вставки слишком коротки, чтобы получить надёжный эмбеддинг.
• Один дальний микрофон. Ноутбук посреди переговорной ловит эхо и разную громкость; один и тот же человек может звучать по-разному в зависимости от того, где сидит.
• Меняющиеся условия. Спикер, который ходит по комнате, переключается с гарнитуры на громкую связь или переходит на шёпот, может разделиться на две метки.
• Фоновый шум и музыка. И то и другое можно принять за речь, и оба размывают характеристики голоса.

Как надёжнее разделить спикеров в расшифровке

Основной выигрыш даёт запись, а не программа. Общие правила качества звука собраны в советах по точности транскрибации; вот что важно именно для спикеров:

• По возможности дайте каждому свой микрофон или хотя бы рассадите всех на одинаковом расстоянии от общего.
• Если можно записать каждого на отдельную дорожку (подкастная схема или стереозапись звонка, где каждая сторона в своём канале), расшифровывайте дорожки по отдельности. Отдельные каналы надёжнее любой кластеризации голосов.
• Попросите не перебивать друг друга на тех участках, которые нужны дословно, и делать паузу перед ответом.
• Если есть возможность записать звук напрямую, не используйте громкую связь и звук созвона, выведенный в колонки комнаты.
• Попросите каждого участника представиться в начале. Модель это не обучит, но переименовать метки станет быстро.
• По возможности держите один разговор в одном файле. Если расшифровывать его частями, метки не совпадут: «Спикер 1» в первой части может оказаться «Спикером 2» во второй.
• Проверьте первые минуты расшифровки. Если два человека слились, проблема обычно сохраняется до конца файла.

О расстановке микрофонов и согласии на запись читайте в руководстве по расшифровке интервью, а о созвонах — в статье о транскрибации встреч в Google Meet, Zoom и Teams.

Как переименовать и исправить спикеров в Audiotexta

Когда вы загружаете файл, вставляете ссылку или записываете звук с микрофона в Audiotexta, расшифровка возвращается с метками спикеров и тайм-кодами. Чтобы превратить «Спикер 1» и «Спикер 2» в настоящие имена, переименуйте спикера в редакторе — новое имя применится ко всем его фрагментам по всей расшифровке. Редактор подсвечивает слова во время воспроизведения, а по клику на любом слове переносит к этому моменту записи, поэтому сомнительную реплику легко проверить на слух и исправить.

Переименовывайте и правьте до экспорта, чтобы имена попали в TXT, SRT и VTT (они доступны на бесплатном тарифе, даже без регистрации) или в DOCX, PDF, CSV и JSON на тарифе Pro. В субтитрах имена спикеров помогают зрителю следить за диалогом, а в CSV или JSON позволяют анализировать, кто что сказал.

Как и любая система диаризации, Audiotexta лучше всего работает на чистом звуке с непохожими голосами и не переносит имена спикеров из одного файла в другой: каждая запись начинается с новых анонимных меток.

Сервисы для расшифровки с разделением на спикеров

Метки спикеров сейчас встречаются часто, но реализованы по-разному. Ниже — краткий обзор по документации каждого разработчика или, где указано, по сторонним описаниям (проверено в октябре 2026 года; функции меняются, поэтому сверяйтесь с сайтом производителя).

У платформ видеосвязи здесь настоящее преимущество: когда все заходят со своих аккаунтов, имена известны без угадывания по голосу. В Яндекс Телемосте, по сообщениям отраслевых СМИ, для бизнес-пользователей появились ИИ-расшифровка и конспекты встреч; как в них подписываются говорящие, уточняйте в справке Яндекс 360. Приложения, которые запоминают голосовые отпечатки, как Otter, экономят время на переименовании, если вы часто записываете одних и тех же людей. Для загруженных записей интервью, телефонных звонков или подкастов диаризация по голосу — единственный вариант, и быстрая проверка с переименованием в редакторе входит в работу.