Liczba osób to tylko jeden parametr
Ważne są również długość wypowiedzi, podobieństwo głosów, jakość mikrofonów i to, jak często rozmówcy sobie przerywają. To właśnie dlatego przy wycenie pytanie „ilu rozmówców?” jest potrzebne, ale nie daje pełnego obrazu.
Przy większej liczbie osób rośnie też znaczenie spójnego nazewnictwa i kontroli, czy etykieta przypisana na początku nie zmienia znaczenia w dalszej części.
Nakładająca się mowa
Jeżeli dwie osoby mówią jednocześnie, system musi jednocześnie wykryć aktywność obu głosów i przypisać treść do właściwych osób. To klasycznie trudniejszy przypadek niż naprzemienne wypowiedzi.
NIST od lat rozdziela w ewaluacjach zadania speech-to-text oraz diarization, co dobrze pokazuje, że tekst i struktura rozmówców są osobnymi warstwami problemu.
Jak przygotować wynik do czytania
Dla użytkownika liczy się finalna czytelność: oznaczenie mówcy, sensowne akapity i możliwość powrotu do czasu nagrania. Timestampy są szczególnie pomocne przy fragmentach wymagających odsłuchu kontrolnego.
Jeżeli znasz imiona uczestników, można ustalić sposób mapowania etykiet. Bez potwierdzenia bezpieczniej zachować neutralne Speaker 1, Speaker 2 itd.
Overlap to osobny problem od zwykłej zmiany mówcy
Gdy jedna osoba kończy, a druga zaczyna po niej, granicę można wyznaczyć w czasie. Gdy obie mówią jednocześnie, system musi poradzić sobie z nałożonymi sygnałami, a transcript może wymagać innego sposobu oznaczenia fragmentu.
W praktyce krótkie „tak”, „mhm” i wtrącenia mogą być mniej istotne dla jednego projektu, a bardzo ważne dla innego. Dlatego zasady zapisu rozmów wieloosobowych powinny być częścią zakresu, a nie przypadkowym efektem narzędzia.
Stałe mikrofony i spokojna moderacja poprawiają czytelność źródła
Jeżeli uczestnicy korzystają z oddzielnych, stabilnych źródeł dźwięku i nie mówią jednocześnie, późniejszy podział mówców jest zwykle prostszy. W nagraniu z jednego mikrofonu położonego na środku dużego stołu relacja głos–pogłos–hałas może zmieniać się zależnie od pozycji osoby.
To nie znaczy, że każde trudniejsze nagranie jest bezużyteczne. Oznacza jedynie, że warto ocenić źródło przed przyjęciem założenia o jakości speaker labels.
Crosstalk zmienia problem z „kto mówi?” na „co mówią jednocześnie?”
Gdy dwie wypowiedzi nakładają się w czasie, nie wystarczy wyznaczyć granicy między mówcami. Trzeba jeszcze odzyskać treść dwóch konkurujących sygnałów. Im bardziej podobna głośność, barwa i pozycja osób względem mikrofonu, tym mniej jednoznaczne może być źródło.
Jeżeli overlap jest istotny dla projektu, warto ustalić sposób jego oznaczania. W transcriptach roboczych można czasem zaakceptować prostszy zapis, podczas gdy materiał badawczy lub publikacyjny może wymagać dokładniejszej kontroli fragmentu.
Role uczestników mogą być praktyczniejsze niż imiona — ale również wymagają wiarygodnego przypisania
W rozmowie sprzedażowej wystarczające mogą być role „konsultant” i „klient”, a w wywiadzie „prowadzący” i „respondent”. Takie etykiety pomagają czytać tekst bez ujawniania większej ilości danych niż potrzeba.
Nie należy jednak zgadywać roli na podstawie samego brzmienia głosu. Mapowanie powinno wynikać z kontekstu materiału, informacji przekazanej w projekcie albo weryfikacji.
W SKRÓCIE
Najważniejsze wnioski
- trudność zależy bardziej od interakcji niż samej liczby osób
- tekst i diarization są osobnymi warstwami
- timestampy ułatwiają kontrolę trudnych fragmentów
ŹRÓDŁA TECHNICZNE
Materiały, na których opieramy definicje
- NIST — Rich Transcription Evaluation
Materiały NIST obejmujące ocenę speech-to-text oraz zadań związanych z diarization.
Potrzebujesz przełożyć ten temat na konkretny materiał?
Zobacz transkrypcję spotkań