Taligenkänning och modeller
Diarisering
Att dela en inspelning i segment efter vem som talar, utan att nödvändigtvis veta vilka personerna är.
Diarisering är att dela upp en ljudinspelning efter vem som talar. Resultatet är ”Talare 1”, ”Talare 2”, ”Talare 3”, med tidpunkt för varje byte.
Frågan diarisering svarar på är vem talade när. Det är ett eget arbete, skilt från den taligenkänning som skriver ner vad som sades. De två körs i regel parallellt och sätts ihop till slut.
Inte samma sak som att veta vilka personerna är
Diarisering grupperar röster, den identifierar dem inte. Systemet vet att två segment är samma person, men inte att personen heter Kari. Namnen sätter du på efteråt. Att knyta en röst till en känd identitet är talaridentifiering, som är en annan uppgift.
Där det brister
- Gemensam mikrofon. Fem personer runt en telefon i ett mötesrum är den svåraste situation som finns, och samtidigt den vanligaste.
- Överlappande tal. Talar två samtidigt måste systemet välja, och väljer ofta fel.
- Lika röster. Två personer i samma åldersgrupp med samma dialekt och tonfall slås regelbundet ihop till en talare.
- Korta inpass. Ett ”ja” på en sekund är ofta för lite material för att placera.
Det enklaste greppet som hjälper är att deltagarna säger sitt namn i början av inspelningen. Det ger både systemet och dig något att fästa rösterna vid.