Talegenkendelse og modeller
Diarisering
At dele en optagelse i segmenter efter, hvem der taler, uden nødvendigvis at vide, hvem personerne er.
Diarisering er at dele en lydoptagelse op efter, hvem der taler. Resultatet er »Taler 1«, »Taler 2«, »Taler 3«, med tidspunkt for hvert skift.
Spørgsmålet, diarisering svarer på, er hvem talte hvornår. Det er et selvstændigt arbejde, adskilt fra den talegenkendelse, der skriver ned, hvad der blev sagt. De to køres som regel parallelt og sættes sammen til sidst.
Ikke det samme som at vide, hvem folk er
Diarisering grupperer stemmer, den identificerer dem ikke. Systemet ved, at to segmenter er samme person, men ikke at personen hedder Kari. Navnene sætter du på bagefter. At knytte en stemme til en kendt identitet er taleridentifikation, som er en anden opgave.
Hvor det svigter
- Fælles mikrofon. Fem personer omkring én telefon i et mødelokale er den sværeste situation, der findes, og samtidig den mest almindelige.
- Overlappende tale. Taler to samtidig, må systemet vælge, og vælger ofte forkert.
- Ens stemmer. To personer i samme aldersgruppe med samme dialekt og tonefald bliver jævnligt slået sammen til én taler.
- Korte indskud. Et »ja« på ét sekund er ofte for lidt materiale til at placere.
Det enkleste greb, der hjælper, er, at deltagerne siger deres navn i starten af optagelsen. Det giver både systemet og dig noget at fæstne stemmerne til.