Hvad er talegenkendelse (diarisering)? Sådan skelner AI mellem stemmer
Du hører en optagelse med tre personer. For dig som menneske er det klart, hvem der taler lige nu – stemmerne lyder forskellige. Men hvordan lærer du en computer at gøre det samme?
Svaret er talerdiarisering – talegenkendelse eller taleradskillelse. Denne teknologi analyserer en lydoptagelse og tildeler hver passage til den rigtige taler. Uden den ville en transskription med flere personer være en enkelt, ustruktureret mur af tekst.
Talegenkendelse vs. talegenkendelse til tekst
Talegenkendelse til tekst (ASR) konverterer talt sprog til tekst og besvarer “Hvad blev sagt?” Talegenkendelse (diarisering) tildeler lydsegmenter til forskellige personer og besvarer “Hvem sagde det?” Kun kombinationen giver en transskription med talertilskrivning.
To begreber, der ofte forveksles:
- Talegenkendelse til tekst (speech-to-text, ASR): Konverterer talt sprog til tekst. Besvarer spørgsmålet: Hvad blev sagt?
- Talegenkendelse (talerdiarisering): Tildeler lydsegmenter til forskellige talere. Besvarer spørgsmålet: Hvem sagde det?
Kun kombinationen af begge teknologier giver en fuldstændig transskription med talertilskrivning – som det er nødvendigt til mødereferater, interviewtransskriptioner eller retsmøder.
Hvordan fungerer diarisering teknisk?
AI’en skaber et matematisk stemmeaftryk (embedding) for hvert talesegment og grupperer lignende aftryk ved klyngedannelse. Segmenter i samme gruppe kommer fra den samme taler. Processen omfatter forbehandling, registrering af stemmeaktivitet, feature-ekstraktion, klyngedannelse og mærkning.
AI’en gennemgår flere trin for at skelne mellem talere:
- Forbehandling: Baggrundsstøj reduceres, lydstyrken normaliseres, og tavse afsnit identificeres.
- Registrering af stemmeaktivitet (VAD): Systemet registrerer, hvor der faktisk forekommer tale, og filtrerer stilhed, musik eller støj fra.
- Feature-ekstraktion: For hvert talesegment skaber AI’en et stemmeaftryk – en matematisk vektor, der repræsenterer de unikke kendetegn ved en stemme (tonehøjde, klangfarve, talerytme).
- Klyngedannelse: Segmenter med lignende stemmeaftryk grupperes. Hver gruppe svarer til en taler.
- Mærkning: Grupperne får etiketter – “Taler 1,” “Taler 2,” og så videre.
Typiske udfordringer
Talegenkendelse er ikke et løst problem. Disse situationer er særligt vanskelige for AI’en:
- Overlappende tale: Når to personer taler på samme tid, kan AI’en ikke adskille stemmerne rent.
- Lignende stemmer: Personer af samme køn og alder med en lignende accent er sværere at skelne fra hinanden.
- Dårlig optagelseskvalitet: Baggrundsstøj, efterklang eller dårlige mikrofoner reducerer nøjagtigheden.
- Korte ytringer: Ved meget korte bidrag har AI’en mindre data til stemmeaftrykket.
Hvor bruges talegenkendelse?
- Mødereferater: Automatisk tilskrivning af bidrag til deltagere – uundværligt for automatisk referatskrivning.
- Interviewtransskription: En klar adskillelse mellem interviewer og interviewperson.
- Retsmøder: Dokumentation af, hvem der afgav hvilket udsagn.
- Callcenter-analyser: Adskillelse af agent og kunde til kvalitetsvurderinger.
- Podcast-produktion: Automatiske undertekster med talertilskrivning.
Tips til bedre resultater
- Brug en god mikrofon, og minimér baggrundsstøj.
- Bed deltagerne om ikke at tale i munden på hinanden.
- Brug et værktøj med støjreduktion, der forbedrer lydkvaliteten før analysen.
- Omdøb talerne efter transskriptionen – AI’en tildeler kun numre, ikke navne.
Konklusion
Talegenkendelse er den teknologi, der forvandler en rå lydtransskription til et struktureret dokument. Uden den ville enhver transskription med flere personer være ubrugelig. Kombinationen af talegenkendelse til tekst, diarisering og manuel efterbehandling leverer de bedste resultater – hurtigt, nøjagtigt og sporbart for alle.