Konuşmacı Ayrımı (Diarization): Transkriptte Kim Konuştu?

Konuşmacı ayrımı (speaker diarization), otomatik transkripsiyonda "kim ne zaman konuştu" sorusunu yanıtlayan adımdır: kaydı bölümlere ayırır, aynı sese benzeyen bölümleri gruplar ve bunları Konuşmacı 1, Konuşmacı 2 diye etiketler. Kimsenin adını bilmez; isimleri sonradan siz ya da katılımcıları zaten tanıyan bir sistem ekler. Birkaç belirgin sesin olduğu net kayıtlarda iyi çalışır; üst üste konuşma, benzer sesler, telefon sesi ve kalabalık gruplarda zorlanır.

Bu rehber konuşmacı ayrımını sade bir dille anlatıyor: konuşmacı tanımadan farkını, arka planda nasıl çalıştığını, neyin onu bozduğunu ve güvenebileceğiniz konuşmacı etiketli bir transkripti nasıl elde edeceğinizi.

Konuşmacı ayrımı nedir?

Ham bir transkript bir metin duvarıdır. Konuşmacı ayrımı onu bir sohbete dönüştürür:

Konuşmacı 1  00:00:03  Katıldığınız için teşekkürler. Bütçeyle başlayalım mı?
Konuşmacı 2  00:00:07  Tabii. Seyahat kaleminde yüzde on kadar aşımdayız.
Konuşmacı 1  00:00:12  Peki, buna ne sebep oluyor?

İngilizce "diarization" terimi "diary" (günlük) sözcüğünden gelir: sistem her an hangi sesin aktif olduğunun kaydını tutar. Çoğu transkripsiyon aracında konuşmacı ayrımı konuşma tanımayla birlikte çalışır. Konuşma modeli zaman damgalı sözcükler, konuşmacı ayrımı modeli ise zaman damgalı konuşmacı bölümleri üretir; ikisi hizalanarak her sözcüğe ya da cümleye bir konuşmacı etiketi verilir.

Görüşme, toplantı veya podcast deşifresi yapıyorsanız metni kullanışlı kılan bu etiketlerdir: doğru kişiden alıntı yapabilir, en çok kimin konuştuğunu sayabilir ve uzun bir görüşmeyi konuşmacıya göre hızlıca tarayabilirsiniz.

Konuşmacı ayrımı ve konuşmacı tanıma

İkisi sık sık karıştırılır ve birçok ürün sayfası "konuşmacı tanımlama" ifadesini her ikisi için de gevşek biçimde kullanır.

Bazı araçlar ikisini birleştirir. Bir toplantı platformu, oturum açmış hangi katılımcının mikrofonunun aktif olduğunu bilir, bu nedenle hiçbir ses analizi yapmadan isimleri gösterebilir. Bazı uygulamalar bir sesi bir kez etiketlemenize ve sonraki kayıtlarda tanımaya çalışmasına izin verir. Örneğin OpenAI'ın konuşmacı ayrımı yapan transkripsiyon modeli, belgelerine göre bilinen konuşmacılar için kısa referans klipleri kabul ediyor. Yüklenen bir dosyada yapılan düz konuşmacı ayrımı ise, ki çoğu transkripsiyon hizmeti bunu yapar, sizin yeniden adlandıracağınız genel etiketlerle sonuçlanır.

Konuşmacı ayrımı nasıl çalışır?

Modern sistemler ayrıntıda farklılık gösterse de çoğu aynı genel aşamaları izler. En yaygın kullanılan konuşmacı ayrımı kütüphanelerinden biri olan açık kaynaklı pyannote.audio, Hervé Bredin'in Interspeech 2023 makalesinde ("pyannote.audio 2.1 speaker diarization pipeline: principle, benchmark, and recipe") süreci üç ana aşama olarak tanımlıyor: kısa kayan pencereler üzerinde yerel bölütleme, konuşmacı gömmeleri (embedding) ve küresel kümeleme.

1. Konuşmanın nerede olduğunu bulma

Ses etkinliği algılama, kaydın hangi kısımlarında konuşma olduğunu işaretler; sessizliği, müziği ve gürültüyü ayıklar. Buradaki hatalar zincirleme etki yapar: kaçırılan konuşma etiket almaz, konuşma sanılan gürültü ise hayalet bir konuşmacı yaratabilir.

2. Konuşmayı bölütleme

Konuşma, ideal olarak yalnızca bir kişinin konuştuğu kısa parçalara bölünür. Yeni sinir ağı modelleri her seferinde birkaç saniyeye bakar ve her karede hangi konuşmacıların aktif olduğunu tahmin eder; bu da üst üste konuşmayı işaretlemelerini sağlar.

3. Her bölümü bir ses gömmesine dönüştürme

Bir sinir ağı her bölümü bir gömmeye, yani ne söylendiğini değil sesin nasıl duyulduğunu (perde, tını, konuşma tarzı) yakalayan bir sayı listesine dönüştürür. Aynı kişiye ait bölümlerin gömmeleri birbirine yakın olmalıdır.

4. Gömmeleri kümeleme

Bir kümeleme algoritması benzer gömmeleri gruplar. Her grup bir konuşmacı olur. Zor olan kaç grup olduğuna karar vermektir: çok az olursa iki kişi tek etikette birleşir, çok fazla olursa bir kişi birkaç etikete bölünür. Bazı hizmetler buna yardımcı olması için beklenen konuşmacı sayısını belirtmenize izin verir.

5. Sözcüklerle hizalama

Son olarak konuşmacı bölümleri, konuşma tanımadan gelen sözcük zaman damgalarıyla eşleştirilir; böylece transkriptin her satırı bir etiket alır. Sınırlarda hata yaygındır: bir cevabın ilk sözcüğü önceki konuşmacıya düşebilir.

Araştırmacılar kaliteyi, kaçırılan konuşmayı, yanlış alarmları ve karıştırılan konuşmacıları birleştiren konuşmacı ayrımı hata oranıyla (DER) ölçer. Yayımlanan rakamlar temiz yayın sesinden gürültülü çok katılımcılı toplantılara kadar veri setleri arasında büyük farklılık gösterir; bu yüzden tek bir "doğruluk" rakamı kendi kayıtlarınız hakkında pek bir şey söylemez.

Konuşmacı ayrımını ne bozar?

• Üst üste konuşma. İki kişi aynı anda konuştuğunda genellikle bir ses etiketi kazanır, diğerinin sözcükleri kaybolabilir ya da yanlış kişiye atfedilebilir.
• Benzer sesler. Benzer yaş, cinsiyet ve aksana sahip iki kişi birbirine yakın gömmeler üretir ve birleşebilir.
• Telefon ve sıkıştırılmış ses. Dar bantlı telefon hatları ve WhatsApp sesli mesajları gibi yoğun sıkıştırılmış kayıtlar, gömmelerin dayandığı ayrıntının büyük kısmını yok eder.
• Çok sayıda konuşmacı. Her ek ses kümelemeyi zorlaştırır, özellikle bazı kişiler yalnızca kısa süre konuşuyorsa.
• Kısa sözler. "Evet", "tamam", "hı hı" gibi tek sözcüklük araya girmeler güvenilir bir gömme üretmek için fazla kısadır.
• Tek ve uzak bir mikrofon. Odanın ortasındaki bir dizüstü bilgisayar yankı ve dengesiz ses seviyeleri yakalar; aynı kişi oturduğu yere göre farklı duyulabilir.
• Değişen koşullar. Yer değiştiren, kulaklıktan hoparlöre geçen ya da fısıldamaya başlayan bir konuşmacı iki etikete bölünebilir.
• Arka plan gürültüsü ve müzik. İkisi de konuşma sanılabilir ya da ses özelliklerini bulanıklaştırabilir.

Transkriptte konuşmacıları daha güvenilir ayırma

Kazanımların çoğu yazılımdan değil, kayıttan gelir. Transkripsiyon doğruluğu ipuçlarımız ses kalitesini genel olarak ele alıyor; konuşmacılar için özellikle:

• Mümkünse her kişiye ayrı bir mikrofon verin ya da en azından herkesi ortak mikrofona benzer uzaklıkta tutun.
• Her kişiyi ayrı bir kanala kaydedebiliyorsanız (bir podcast düzeni ya da her tarafın ayrı kanalda olduğu stereo bir görüşme kaydı), kanalları ayrı ayrı yazıya dökün. Ayrı kanallar her türlü ses kümelemesinden daha güvenilirdir.
• Birebir ihtiyaç duyduğunuz bölümlerde insanlardan birbirinin sözünü kesmemelerini ve cevap vermeden önce kısa bir an beklemelerini isteyin.
• Doğrudan kayıt mümkünken hoparlörlü telefon ya da oda hoparlöründen geçen görüntülü görüşme sesi kullanmayın.
• Her katılımcının başta adını söylemesini isteyin. Bu modeli eğitmez, ama etiketleri yeniden adlandırmayı hızlandırır.
• Mümkünse bir konuşmayı tek dosyada tutun. Parça parça yazıya dökerseniz etiketler eşleşmez: birinci parçadaki Konuşmacı 1, ikinci parçada Konuşmacı 2 olabilir.
• Transkriptin ilk birkaç dakikasını kontrol edin. İki kişi birleşmişse sorun genellikle dosyanın tamamında sürer.

Görüşmeler için röportaj deşifresi rehberimiz mikrofon yerleşimini ve onay almayı anlatıyor; çevrim içi görüşmeler için Google Meet, Zoom ve Teams toplantılarını yazıya dökme rehberine bakın.

Audiotexta'da konuşmacıları yeniden adlandırma ve düzeltme

Audiotexta'da bir dosya yüklediğinizde, bir bağlantı yapıştırdığınızda ya da mikrofondan kayıt yaptığınızda transkript konuşmacı etiketleri ve zaman damgalarıyla gelir. Konuşmacı 1 ve Konuşmacı 2'yi gerçek isimlere dönüştürmek için konuşmacıyı düzenleyicide yeniden adlandırın; yeni ad, o konuşmacının transkript boyunca tüm bölümlerine uygulanır. Düzenleyici oynatma sırasında sözcükleri vurgular ve herhangi bir sözcüğe tıklayarak kaydın o noktasına atlamanızı sağlar; bu da şüpheli bir konuşma sırasını kulakla kontrol edip düzeltmeyi hızlandırır.

Dışa aktarmadan önce yeniden adlandırın ve düzeltin; böylece isimler TXT, SRT ve VTT dosyalarına (hepsi ücretsiz planda, hesap açmadan kullanılabilir) ya da Pro'daki DOCX, PDF, CSV ve JSON dosyalarına taşınır. Altyazı dosyalarında konuşmacı isimleri izleyicinin diyaloğu takip etmesine yardımcı olur; CSV veya JSON'da ise kimin ne söylediğini analiz etmenizi sağlar.

Her konuşmacı ayrımı sistemi gibi Audiotexta da belirgin seslerin olduğu net kayıtlarda en iyi sonucu verir ve konuşmacı isimlerini bir dosyadan diğerine taşımaz: her kayıt yeni, anonim etiketlerle başlar.

Konuşmacı etiketli transkripsiyon yapan araçlar

Konuşmacı etiketleri artık yaygın, ama farklı şekillerde uygulanıyor. Aşağıdaki kısa genel bakış her sağlayıcının belgelerine ya da belirtilen yerlerde üçüncü taraf açıklamalarına dayanıyor (Ekim 2026'da kontrol edildi; özellikler değişebilir, sağlayıcının sitesinden doğrulayın).

Toplantı platformlarının burada gerçek bir avantajı var: herkes kendi hesabından katıldığında, sesten tahmin yürütmeden isimleri bilirler. Otter gibi ses izlerini hatırlayan uygulamalar, aynı kişileri sık kaydediyorsanız yeniden adlandırma zamanından tasarruf ettirir. Görüşmelerden, telefon konuşmalarından veya podcast'lerden yüklenen kayıtlar için ise sese dayalı konuşmacı ayrımı tek seçenektir; düzenleyicide hızlı bir kontrol ve yeniden adlandırma işin bir parçasıdır.