Diarisering

Diarisering er å dele et lydopptak opp etter hvem som snakker. Resultatet er «Taler 1», «Taler 2», «Taler 3», med tidspunkt for hvert bytte.

Spørsmålet diarisering svarer på, er hvem snakket når. Det er et eget arbeid, atskilt fra talegjenkjenningen som skriver ned hva som ble sagt. De to kjøres som regel parallelt og settes sammen til slutt.

Ikke det samme som å vite hvem folk er

Diarisering grupperer stemmer, den identifiserer dem ikke. Systemet vet at to segmenter er samme person, men ikke at personen heter Kari. Navnene setter du på etterpå. Å knytte en stemme til en kjent identitet er taleridentifikasjon, som er en annen oppgave.

Der det svikter

• Felles mikrofon. Fem personer rundt én telefon i et møterom er den vanskeligste situasjonen som finnes, og samtidig den vanligste.
• Overlappende tale. Snakker to samtidig, må systemet velge, og velger ofte feil.
• Like stemmer. To personer i samme aldersgruppe med samme dialekt og tonefall blir jevnlig slått sammen til én taler.
• Korte innskudd. Et «ja» på ett sekund er ofte for lite materiale til å plassere.

Det enkleste grepet som hjelper, er at deltakerne sier navnet sitt i starten av opptaket. Det gir både systemet og deg noe å feste stemmene til.

Se også

Taleridentifikasjon, taleaktivitetsdeteksjon, og artikkelen AI tale til tekst: hvordan det virker.