Talarigenkänning och diarisering: så vet texten vem som talade

Talarigenkänning i transkribering, tekniskt kallad diarisering (speaker diarization), är steget som svarar på frågan "vem talade när": inspelningen delas upp i segment, segment som låter som samma röst grupperas och märks Talare 1, Talare 2 och så vidare. Systemet vet inte vad någon heter; det lägger du, eller ett system som redan känner deltagarna, till efteråt. Det fungerar bra på tydliga inspelningar med några få distinkta röster och har svårt med överlappande tal, liknande röster, telefonljud och stora grupper.

Den här guiden förklarar diarisering på ett enkelt sätt, hur den skiljer sig från röstidentifiering, hur den fungerar under huven, vad som får den att gå fel och hur du får en transkription med talaretiketter som du kan lita på.

Vad är diarisering?

En rå transkription är en vägg av text. Diariseringen gör den till ett samtal:

Talare 1  00:00:03  Tack för att ni kom. Ska vi börja med budgeten?
Talare 2  00:00:07  Visst. Vi ligger ungefär tio procent över på resor.
Talare 1  00:00:12  Okej, vad beror det på?

Ordet kommer från engelskans "diary", dagbok: systemet för en logg över vilken röst som är aktiv i varje ögonblick. I de flesta transkriberingsverktyg körs diariseringen parallellt med taligenkänningen. Talmodellen ger ord med tidsstämplar, diariseringsmodellen ger talarsegment med tidsstämplar, och de två synkas så att varje ord eller mening får en talaretikett.

Transkriberar du intervjuer, möten eller poddar är det de här etiketterna som gör texten användbar: du kan citera rätt person, räkna vem som pratade mest och skumma ett långt samtal talare för talare.

Diarisering eller röstidentifiering?

De två blandas ofta ihop, och på svenska används "talarigenkänning" ibland för båda. Många produktsidor är lika slarviga med engelskans "speaker identification".

Vissa verktyg blandar de två. En mötesplattform vet vilken inloggad deltagares mikrofon som är aktiv och kan därför visa namn utan någon röstanalys. Vissa appar låter dig märka en röst en gång och försöker sedan känna igen den i senare inspelningar. OpenAI:s transkriberingsmodell med diarisering tar till exempel emot korta referensklipp för kända talare, enligt dokumentationen. Ren diarisering av en uppladdad fil, vilket är vad de flesta transkriberingstjänster gör, slutar med generiska etiketter som du byter namn på.

Så fungerar diarisering

Moderna system skiljer sig i detaljerna, men de flesta följer samma grova steg. Verktyget pyannote.audio med öppen källkod, ett av de mest använda biblioteken för diarisering, beskriver i Hervé Bredins artikel "pyannote.audio 2.1 speaker diarization pipeline: principle, benchmark, and recipe" (Interspeech 2023) sin pipeline i tre huvudsteg: lokal segmentering över korta glidande fönster, röstinbäddningar och global klustring.

1. Hitta var det finns tal

Röstaktivitetsdetektering markerar vilka delar av inspelningen som innehåller tal och sorterar bort tystnad, musik och brus. Misstag här fortplantar sig: missat tal får ingen etikett, och brus som tolkas som tal kan skapa en spöktalare.

2. Segmentera talet

Talet delas upp i korta bitar där helst bara en person pratar. Nyare neurala modeller tittar på några sekunder i taget och uppskattar vilka talare som är aktiva i varje ruta, vilket också gör att de kan flagga överlappande tal.

3. Gör om varje segment till en röstinbäddning

Ett neuralt nätverk omvandlar varje segment till en inbäddning: en lista med tal som fångar hur rösten låter (tonhöjd, klang, talstil) snarare än vad som sägs. Segment från samma person ska ge inbäddningar som ligger nära varandra.

4. Klustra inbäddningarna

En klustringsalgoritm grupperar liknande inbäddningar, och varje grupp blir en talare. Det svåra är att avgöra hur många grupper det finns: för få, och två personer slås ihop till en etikett; för många, och en person delas upp på flera etiketter. Vissa tjänster låter dig ange förväntat antal talare för att hjälpa till.

5. Synka med orden

Till sist matchas talarsegmenten mot ordens tidsstämplar från taligenkänningen, så att varje rad i transkriptionen får en etikett. Fel vid gränserna är vanliga: det första ordet i ett svar kan hamna hos föregående talare.

Forskare mäter kvaliteten med diarization error rate (DER), som väger samman missat tal, falsklarm och förväxlade talare. Publicerade siffror varierar enormt mellan dataset, från rent sändningsljud till brusiga möten med många deltagare, så en enda "precisionssiffra" säger lite om dina egna inspelningar.

Vad som gör talaruppdelningen sämre

• Överlappande tal. När två personer pratar samtidigt vinner oftast en röst etiketten, och den andras ord kan försvinna eller tillskrivas fel person.
• Liknande röster. Två personer med liknande ålder, kön och dialekt ger inbäddningar som ligger nära varandra och kan slås ihop.
• Telefonljud och komprimerat ljud. Smalbandiga telefonlinjer och hårt komprimerade röstmeddelanden tar bort mycket av den detalj som inbäddningarna bygger på.
• Många talare. Varje extra röst gör klustringen svårare, särskilt om vissa bara säger något kort.
• Korta repliker. "Ja", "precis" och andra enordsinpass är för korta för att ge en pålitlig inbäddning.
• En enda mikrofon på avstånd. En dator mitt i rummet fångar eko och ojämna nivåer; samma person kan låta olika beroende på var hen sitter.
• Förändrade förhållanden. En talare som rör sig, byter från headset till högtalartelefon eller börjar viska kan delas upp på två etiketter.
• Bakgrundsbrus och musik. Båda kan misstas för tal eller sudda ut röstens kännetecken.

Så skiljer du på talare i en transkription mer pålitligt

Den största vinsten kommer från inspelningen, inte från programvaran. Våra tips för bättre precision i transkriberingen handlar om ljudkvalitet i allmänhet; för talare specifikt gäller:

• Ge varje person en egen mikrofon om du kan, eller se åtminstone till att alla sitter på ungefär samma avstånd från en gemensam.
• Kan du spela in varje person på ett eget spår (en poddsetup, eller en samtalsinspelning i stereo med en part per kanal), transkribera spåren var för sig. Separata kanaler är pålitligare än någon röstklustring.
• Be folk att inte prata i mun på varandra under de delar du behöver ordagrant, och att vänta ett ögonblick innan de svarar.
• Undvik högtalartelefon och videosamtalsljud som går genom rummets högtalare när en direkt inspelning är möjlig.
• Låt varje deltagare säga sitt namn i början. Det tränar inte modellen, men det gör det snabbt att byta namn på etiketterna.
• Håll ett samtal i en fil när det går. Transkriberar du i delar stämmer etiketterna inte överens: Talare 1 i del ett kan vara Talare 2 i del två.
• Kontrollera de första minuterna av transkriptionen. Om två personer har slagits ihop brukar problemet hålla i sig genom hela filen.

För intervjuer går vår guide till transkribering av intervjuer igenom mikrofonplacering och samtycke; för samtal, se guiden till transkribering av möten i Google Meet, Zoom och Teams.

Byta namn på och rätta talare i Audiotexta

När du laddar upp en fil, klistrar in en länk eller spelar in från mikrofonen i Audiotexta får du tillbaka transkriptionen med talaretiketter och tidsstämplar. För att göra Talare 1 och Talare 2 till riktiga namn byter du namn på talaren i redigeraren; det nya namnet gäller den talarens segment i hela transkriptionen. Redigeraren markerar orden under uppspelningen och låter dig klicka på valfritt ord för att hoppa dit i ljudet, så det går snabbt att kontrollera en tveksam replik med örat och rätta den.

Byt namn och rätta innan du exporterar, så följer namnen med till TXT, SRT och VTT (alla tillgängliga i gratisplanen, även utan konto) eller till DOCX, PDF, CSV och JSON i Pro. I undertextfiler hjälper talarnamnen tittarna att följa dialogen; i CSV eller JSON kan du analysera vem som sa vad.

Som alla diariseringssystem fungerar Audiotexta bäst på tydligt ljud med distinkta röster, och det för inte över talarnamn från en fil till nästa: varje inspelning börjar med nya, anonyma etiketter.

Verktyg som transkriberar med talaretiketter

Talaretiketter är vanliga numera, men de implementeras på olika sätt. Här är en kort översikt baserad på respektive leverantörs dokumentation eller, där det anges, beskrivningar från tredje part (kontrollerat oktober 2026; funktioner ändras, så dubbelkolla på leverantörens webbplats).

Mötesplattformarna har en verklig fördel här: när alla ansluter från sina egna konton vet de namnen utan att gissa utifrån röster. Appar som minns röstavtryck, som Otter, sparar tid med namnbyten om du ofta spelar in samma personer. För uppladdade inspelningar av intervjuer, telefonsamtal eller poddar är röstbaserad diarisering det enda alternativet, och en snabb genomgång med namnbyte i redigeraren hör till jobbet.