मुख्य सामग्री पर जाएं

ब्लॉग

Speaker Diarization क्या है? यह कैसे काम करता है

लेखक: प्रकाशित: अंतिम समीक्षा:

Speaker diarization (वक्ता डायराइजेशन) किसी रिकॉर्डिंग को वक्ता के हिसाब से हिस्सों में बांटने की स्वचालित प्रक्रिया है, जो किसी इंसान के ट्रांसक्रिप्ट पढ़ने से पहले ही बता देती है कि “कौन कब बोला?” बहु-वक्ता बातचीत के लिए यही काम ACL Anthology में speaker-diarization पर मौजूदा शोध में भी बताया गया है। शब्दों की दीवार और संरचित बातचीत के बीच यही फ़र्क़ है, और इसी वजह से दो लोगों के इंटरव्यू का ट्रांसक्रिप्ट एक लंबे पैराग्राफ़ की जगह पढ़ने लायक संवाद के रूप में मिलता है।

सीधे शब्दों में: आप रिकॉर्डिंग upload करते हैं, diarization इंजन वे बिंदु ढूंढता है जहां आवाज़ बदलती है, एक ही व्यक्ति जैसे लगने वाले हिस्सों को समूह में रखता है, और ऐसा ट्रांसक्रिप्ट लौटाता है जिसमें हर बारी की एक पंक्ति होती है और उस पर आवाज़ का लेबल लगा होता है। यह पोस्ट बताती है कि diarization का मतलब क्या है, यह चरण-दर-चरण कैसे काम करता है, speaker identification से कैसे अलग है, developers कौन से tools इस्तेमाल करते हैं, और यह कहां गलती करता है।

Speaker diarization क्या है? आसान भाषा में मतलब

सोचिए आप 90 मिनट का इंटरव्यू हाथ से ट्रांसक्राइब कर रहे हैं। बोली को टेक्स्ट में बदलने के बाद अगला काम होता है यह लिखना कि किसने क्या कहा: “इंटरव्यूअर:”, “मेहमान:”, हर बार जब आवाज़ बदले। किसी भी सेकंड में कौन बोल रहा है, यह तय करना ठीक वही काम है जो diarization आपके लिए करता है। इसे speech diarization भी कहा जाता है। परिभाषा वही रहती है: ऑडियो के हर हिस्से पर उस आवाज़ का लेबल लगाना जिसकी वह है।

आउटपुट संवाद के रूप में ट्रांसक्रिप्ट होता है:

वक्ता A [00:00:12]: समझने वाली पहली बात यह है कि डेटा केवल एक पल के लिए मौजूद होता है।
वक्ता B [00:00:27]: ठीक है, और यही वह हिस्सा है जिसका ज़्यादातर लोगों को तब तक एहसास नहीं होता जब तक बहुत देर न हो जाए।
वक्ता A [00:00:34]: बिल्कुल। तो असली सवाल यह है कि आप उस छोटे से समय में क्या करते हैं।

हर कथन एक वक्ता और एक timestamp से जुड़ा होता है। फिर आप वक्ता A और वक्ता B को असली नामों में बदल सकते हैं, हर वक्ता के लिए एक बदलाव, और लेबल जहां भी दिखता है वहां अपडेट हो जाता है।

इसका विकल्प, यानी बिना diarization वाला सादा ट्रांसक्रिप्ट, टेक्स्ट का एक लगातार ब्लॉक होता है जिसमें यह जानने के लिए कि किसने क्या कहा, आपको ऑडियो दोबारा सुनना पड़ता है। दो या ज़्यादा आवाज़ों वाली कुछ मिनट से लंबी रिकॉर्डिंग के लिए यह सचमुच का हाथ का काम है, और diarization यही काम हटा देता है।

शुरू करने से पहले आपको क्या चाहिए

Diarization रिकॉर्डिंग पर ही चलता है, इसलिए असली शर्त बस इतनी है कि ऑडियो में वक्ता ठीक-ठाक अलग सुनाई दें:

न माइक्रोफ़ोन enrollment, न आवाज़ के नमूने, न हर वक्ता के लिए कोई सेटअप।

Speaker diarization कैसे काम करता है

Diarization कुछ अलग चरणों में बंटा होता है। इन्हें जानने से आउटपुट पढ़ना आसान हो जाता है, और कुछ गलत होने पर उसे ठीक करना भी। यह speaker diarization diagram ऑडियो फ़ाइल से लेबल तक का क्रम बाएं से दाएं दिखाता है:

ऑडियो  ->  फ्रेम  ->  आवाज़ की विशेषताएं  ->  बदलाव बिंदु  ->  क्लस्टर  ->  लेबल
 फ़ाइल    10-40 ms     पिच, स्पेक्ट्रम        A | B | A | C     A, B, C     वक्ता A, B, C

Feature extraction। ऑडियो को छोटे फ्रेम में बांटा जाता है, आम तौर पर हर फ्रेम 10 से 40 मिलीसेकंड का, और इंजन हर फ्रेम में ध्वनि की विशेषताएं मापता है। वक्ताओं को अलग पहचानने के लिए जो विशेषताएं काम आती हैं, वे frequency domain में होती हैं: पिच, formants और spectral patterns, जो एक व्यक्ति की आवाज़ में लगभग एक जैसे रहते हैं और अलग-अलग लोगों में अलग होते हैं।

Segmentation। इंजन वक्ता-बदलाव के बिंदु खोजता है: वे पल जहां ये आवाज़ की विशेषताएं बदल जाती हैं। यह सबसे कठिन हिस्सा है। जब कोई बीच में टोकता है तो बदलाव वाक्य के बीच में भी आ सकता है, और शोर या एक साथ बोली जा रही आवाज़ें असली सीमा को छिपा सकती हैं या झूठी सीमा बना सकती हैं।

Clustering। जो हिस्से एक ही आवाज़ जैसे लगते हैं, उन्हें साथ रखा जाता है। इंजन को नहीं बताया जाता कि कमरे में कितने लोग हैं; वह वक्ताओं की संख्या का अनुमान ऑडियो से खुद लगाता है। अगर आपको संख्या पहले से पता है, तो कुछ सेटअप में आप उसे दे सकते हैं। नहीं पता, तो इंजन अनुमान लगाता है, और “एक व्यक्ति दो में बंट गया” और “दो लोग एक में मिल गए” जैसी ज़्यादातर गलतियां यहीं से आती हैं।

Labeling। हर क्लस्टर को एक लेबल मिलता है: वक्ता A, वक्ता B, वक्ता C, या वक्ता 0, वक्ता 1। लेबल मनमाने placeholder हैं। उनके पीछे कोई पहचान नहीं होती, बस पूरी रिकॉर्डिंग में एक आवाज़ के लिए एक स्थिर नाम होता है।

यह classic pipeline का वर्णन है। नए सिस्टम अक्सर ऐसे neural models train करते हैं जो इनमें से कई चरण एक साथ संभाल लेते हैं। लक्ष्य और आउटपुट वही रहते हैं: किसने कब बोला, इसकी timeline। Hushscript पर यह सब ट्रांसक्रिप्शन के साथ एक स्वचालित पास की तरह चलता है, इसलिए आपको speaker-labeling का अलग काम नहीं चलाना पड़ता।

Speaker diarization models, Python tools और API

जो developers diarization खुद चलाना चाहते हैं, उनके पास कुछ रास्ते हैं। pyannote.audio speaker diarization के लिए एक open-source Python toolkit है, जो PyTorch पर बना है और जिसमें तैयार diarization pipelines हैं। WhisperX जैसे प्रोजेक्ट ट्रांसक्रिप्शन मॉडल को diarization मॉडल के साथ जोड़ते हैं, ताकि टेक्स्ट और वक्ताओं की बारियां मेल खाएं। इनमें से कुछ भी खुद चलाने का मतलब है मॉडल सेट अप करना, अपना compute जुटाना और उसके आसपास कुछ कोड लिखना।

API बीच का रास्ता है: ऑडियो भेजिए, वक्ताओं की बारियों के साथ टेक्स्ट वापस पाइए। Hushscript की public API ट्रांसक्रिप्शन jobs पर speaker_detection विकल्प लेती है। यह कैसे काम करता है, इसके लिए developers पेज देखें।

अगर आपको बस नतीजा चाहिए, यानी किसी फ़ाइल से speaker labels वाला ट्रांसक्रिप्ट, तो कुछ install करने की ज़रूरत नहीं है। अगला सेक्शन बताता है कि अकेला diarization किसी का नाम क्यों नहीं बता सकता, और उसके बाद के सेक्शन बिना कोड वाला रास्ता दिखाते हैं।

Speaker diarization बनाम speaker identification

इन दोनों को अक्सर एक समझ लिया जाता है, पर ये अलग सवालों के जवाब देते हैं।

Diarization पूछता है: इस फ़ाइल की बाकी आवाज़ों के मुकाबले इस पल कौन बोल रहा है? वह आवाज़ें अलग करता है, लेकिन उसे पता नहीं होता कि वे किसकी हैं। उसे किसी पहले की जानकारी की ज़रूरत नहीं होती।

Speaker identification, जिसे voice recognition भी कहते हैं, पूछता है: क्या यह वही व्यक्ति है जो किसी जानी-पहचानी संदर्भ रिकॉर्डिंग में था? इसमें तुलना के लिए पहले से दर्ज की गई आवाज़ का नमूना चाहिए, और “आवाज़ से अपनी पहचान सत्यापित करें” वाले सिस्टम इसी तकनीक पर चलते हैं।

Hushscript diarization इस्तेमाल करता है, voice recognition नहीं। वह आवाज़ें enroll नहीं करता और आपकी रिकॉर्डिंग का मिलान किसी और की रिकॉर्डिंग से नहीं करता। Speaker labels उसी एक फ़ाइल के भीतर की आवाज़ की विशेषताओं से बनते हैं।

यही फ़र्क़ है कि diarization आपके लिए लोगों के नाम क्यों नहीं बता सकता। वह कह सकता है कि “एक ही व्यक्ति ने घंटेभर में ये 200 बारियां बोलीं”, पर यह नहीं कि वह व्यक्ति कौन है। वह कदम आपका है। अगर आप तरीके की व्याख्या की जगह ऐसा software ढूंढ रहे हैं जो ट्रांसक्रिप्ट में वक्ताओं को लेबल करे, तो speaker identification पेज बताता है कि Hushscript बहु-वक्ता रिकॉर्डिंग को शुरू से अंत तक कैसे संभालता है।

एक उदाहरण: तीन लोगों की मीटिंग

मान लीजिए आप 40 मिनट की एक प्रोजेक्ट मीटिंग रिकॉर्ड करते हैं, जिसमें तीन लोग एक कमरे में एक ही लैपटॉप माइक साझा कर रहे हैं, और उसे एक .m4a फ़ाइल में सेव करते हैं। आप उसे डालते हैं, और ट्रांसक्रिप्शन के बाद आउटपुट कुछ ऐसा दिखता है:

वक्ता A [00:00:04]: ठीक है, चलिए लॉन्च की तारीख से शुरू करते हैं। हम कहाँ हैं?
वक्ता B [00:00:09]: डिज़ाइन हो गया है। हमने अंतिम स्क्रीन सोमवार को सौंप दी।
वक्ता C [00:00:14]: भुगतान प्रवाह के लिए इंजीनियरिंग को लगभग दो सप्ताह और चाहिए।
वक्ता A [00:00:21]: दो सप्ताह हमें उस तारीख से आगे ले जाते हैं जिसका हमने विपणन को वादा किया था।
वक्ता B [00:00:27]: क्या हम नए भुगतान प्रवाह के बिना भेज दें और बाद में जोड़ें?
वक्ता C [00:00:33]: साफ़-सुथरे ढंग से नहीं। नई कीमत पर पुराना प्रवाह टूट जाता है।

तीन आवाज़ें, अलग और लेबल की हुईं, हर बारी पर timestamp के साथ। अब आप दोबारा लेबल लगाते हैं: वक्ता A बन जाता है “प्रिया” (मीटिंग वही चला रही है), वक्ता B बन जाता है “टॉम”, वक्ता C बन जाता है “दाना”। तीन बार नाम बदलने के बाद हर पंक्ति पर असली नाम होता है, और ट्रांसक्रिप्ट हर पंक्ति पर सही वक्ता के नाम के साथ मीटिंग नोट्स में चिपकाने के लिए तैयार है।

यही ढांचा दो लोगों के इंटरव्यू, चार लोगों के podcast या दोनों तरफ़ की फ़ोन कॉल पर भी लागू होता है: इंजन जो सुनता है उसे अलग करता है, और नाम आप जोड़ते हैं।

Hushscript से speaker diarization online आज़माएं

Speaker detection upload विकल्पों में एक चेकबॉक्स है, और लेबल पर कोई अतिरिक्त शुल्क नहीं लगता। तरीका: अपनी फ़ाइल डालें, कोई समर्थित audio लिंक चिपकाएं, या ब्राउज़र में रिकॉर्ड करें, और बिना account के 5 मिनट तक का speaker labels वाला पूर्वावलोकन बन जाता है। पूर्वावलोकन आपके अपने ऑडियो की हर बारी को अलग पंक्ति में लेबल के साथ दिखाता है। बाकी हिस्सा ट्रांसक्राइब करने के लिए साइन अप करें, फिर तैयार ट्रांसक्रिप्ट खोलें। वहां से:

  1. ट्रांसक्रिप्ट एडिटर में किसी भी वक्ता लेबल पर क्लिक करें, जैसे वक्ता B।
  2. खुलने वाले मेनू से वक्ता नाम संपादित करें चुनें।
  3. डायलॉग में असली नाम लिखें, जैसे “टॉम”, और सहेजें।
  4. उस वक्ता के सभी लेबल पहली पंक्ति से आखिरी तक एक साथ अपडेट हो जाते हैं।

नाम बदलना सब जगह लागू होता है, इसलिए आपको एक ही लेबल दो बार नहीं बदलना पड़ता। अगर इंजन ने किसी बारी को गलत वक्ता के नीचे रख दिया, तो उस बारी को सही लेबल पर दोबारा सौंप दें। फिर आप ट्रांसक्रिप्ट को नामों के साथ TXT, SRT, DOCX, PDF और JSON जैसे 21 formats में से किसी में export कर सकते हैं, साथ ही password से सुरक्षित .husharchive में भी।

Speaker diarization की आम समस्याएं और उन्हें कैसे ठीक करें

साफ़ रिकॉर्डिंग पर diarization भरोसेमंद है, और ऑडियो जितना गड़बड़ होता जाता है, काम उतना कठिन होता जाता है। आम समस्याएं और उनका उपाय:

एक साथ बोलना। जब दो लोग एक साथ बोलते हैं, तो इंजन को ओवरलैप हुए ऑडियो को किसी एक वक्ता को देना पड़ता है, और वह उस जगह का लेबल गलत लगा सकता है या कुछ शब्द छोड़ सकता है। software में इसका कोई इलाज नहीं है; ऑडियो में सचमुच एक ही पल में दो आवाज़ें हैं। बचाव ही उपाय है: जिस रिकॉर्डिंग में लोग बारी-बारी से बोलते हैं, उसमें टोका-टोकी से भरी रिकॉर्डिंग के मुकाबले diarization कहीं साफ़ होता है। जहां ओवरलैप हुए हैं, वहां ऑडियो से मिलाकर एक बार पढ़ लेने से प्रभावित मुट्ठीभर पंक्तियां पकड़ में आ जाती हैं।

मिलती-जुलती आवाज़ें। जिन दो वक्ताओं की पिच और लहजा करीब हों (जैसे समान उम्र के दो पुरुष, या सगे भाई-बहन), उन्हें अलग-अलग किस्म की जोड़ी के मुकाबले बांटना कठिन होता है, क्योंकि उनकी आवाज़ की विशेषताएं सचमुच एक-दूसरे पर चढ़ती हैं। इंजन कभी-कभी उनके बीच कोई बारी आपस में बदल सकता है। ट्रांसक्रिप्ट में ऐसी पंक्तियां ढूंढें जो दिए गए वक्ता के लिए अटपटी लगें, और उन्हें हाथ से दोबारा सौंप दें।

बहुत सारे वक्ता। वक्ताओं की संख्या बढ़ने पर सटीकता गिरती है, क्योंकि हर नई आवाज़ एक और क्लस्टर है जिसे अलग रखना है और ओवरलैप के और मौके हैं। Hushscript वक्ताओं की संख्या पर कोई paid सीमा नहीं रखता, लेकिन एक लैपटॉप माइक पर दस लोगों की कॉल को दो लोगों के इंटरव्यू से ज़्यादा जांच की ज़रूरत होगी।

एक व्यक्ति दो लेबल में बंट गया। अगर रिकॉर्डिंग के बीच किसी का ऑडियो बदल जाए (वह माइक के पास आ जाए, headset से speakerphone पर चला जाए, या कनेक्शन बिगड़ जाए), तो इंजन दूसरे आधे हिस्से को नई आवाज़ समझकर एक अतिरिक्त लेबल बना सकता है। अतिरिक्त लेबल के नीचे की बारियों को सही वक्ता को दोबारा सौंप दें।

दो लोग एक लेबल में मिल गए। इसका उल्टा तब होता है जब दो धीमी या दूर की आवाज़ें इतनी मिलती-जुलती हों कि इंजन उन्हें अलग न कर पाए। बाद में इसे सुधारना सबसे कठिन है, इसलिए बेहतर है कि ऐसा होने ही न दें: माइक वक्ताओं के पास रखें, और बड़े कमरे में दूर से रिकॉर्ड करने से बचें। एडिटर में आप बारियों को बांटकर उन्हें दोबारा सौंप सकते हैं।

दूर से या शोर वाली रिकॉर्डिंग। कॉन्फ़्रेंस टेबल के छोर पर रखा लैपटॉप माइक, ग्रुप चैट के दौरान मेज़ पर रखा फ़ोन, या कमरे की तेज़ गूंज, ये सब आवाज़ों के बीच की सीमाओं को धुंधला कर देते हैं। माइक पास रखने से हर वक्ता को फ़ायदा होता है, और पृष्ठभूमि का शोर (पंखे, ट्रैफ़िक, संगीत) घटाने से अलगाव और साफ़ होता है। Diarization की क्वालिटी ऑडियो की क्वालिटी के साथ बहुत करीब से चलती है।

फ़ोन कॉल दो अलग फ़ाइलों में रिकॉर्ड हुई। अगर आपके रिकॉर्डर ने कॉल की हर तरफ़ को अलग mono फ़ाइल में सेव किया, तो उनमें से किसी एक पर diarization को सिर्फ़ एक आवाज़ दिखती है। पहले दोनों को एक mixed रिकॉर्डिंग में मिला लें, ताकि दोनों आवाज़ें एक फ़ाइल में हों, फिर उसे ट्रांसक्राइब करें।

सटीकता बढ़ाने के वे उपाय जो सचमुच असर करते हैं

कुछ आदतें diarization को साफ़ तौर पर बेहतर बनाती हैं, और उनमें से ज़्यादातर रिकॉर्डिंग से जुड़ी हैं, software से नहीं:

इसमें से कुछ भी बिल्कुल परफ़ेक्ट होना ज़रूरी नहीं है। साफ़ बारियां और माइक की ठीक-ठाक जगह ज़्यादातर रिकॉर्डिंग को साफ़ लेबल तक पहुंचा देती हैं, और बाकी एडिटर संभाल लेता है।

इंटरव्यू और मीटिंग के लिए diarization क्यों मायने रखता है

Diarization के बिना, कई लोगों की बातचीत का ट्रांसक्रिप्ट अपने सबसे आम कामों के लिए लगभग बेकार है:

Diarization के साथ इनमें से हर काम सीधा हो जाता है, और ट्रांसक्रिप्ट कच्चे टेक्स्ट की जगह एक दस्तावेज़ बन जाता है। जो भी कुछ प्रकाशित या उद्धृत होना है, चाहे पत्रकारिता हो, शोध हो या podcast के show notes, वहां सही वक्ता बताना वैकल्पिक नहीं है। मीटिंग नोट्स, इंटरव्यू शोध या HR रिकॉर्ड जैसे आंतरिक कामों के लिए भी लेबल वाली संरचना उतनी ही काम की है: संवाद पर नज़र दौड़ाना टेक्स्ट की दीवार पढ़ने से कहीं तेज़ है।

पूरे संदर्भ के साथ विस्तृत walkthrough के लिए इंटरव्यू को कैसे transcribe करें देखें, जिसमें पत्रकारिता और शोध के लिए रिकॉर्डिंग, ट्रांसक्रिप्शन और दोबारा लेबल लगाना शामिल है, और podcast कैसे transcribe करें देखें, जिसमें एक episode के hosts और guests को लेबल करना बताया गया है।

Speaker labels पर कोई अतिरिक्त शुल्क नहीं

Speaker diarization हर Hushscript ट्रांसक्रिप्ट पर बिना किसी अतिरिक्त शुल्क के शामिल है। इसके लिए कोई diarization add-on नहीं है, कोई अलग प्लान tier नहीं है, और एक रिकॉर्डिंग में कितने वक्ता हो सकते हैं, इस पर कोई paid सीमा नहीं है। Hushscript खुद pay-as-you-go है, बिना किसी subscription के। पात्र personal accounts को सफल card verification के बाद एक बार 30 मुफ़्त मिनट मिल सकते हैं, या पहली खरीदारी के साथ, अगर ये मिनट पहले नहीं मिले हों। उसके बाद आप सिर्फ़ इस्तेमाल किए गए मिनटों का भुगतान करते हैं; ब्यौरे के लिए कीमतों का पेज देखें।

स्वचालित लेबल गलत हो सकते हैं, इसलिए जहां सही वक्ता बताना मायने रखता हो, उन्हें जांच लें। रिकॉर्डिंग डालें, लेबल पाएं, उनके नाम बदलें और नतीजा export करें। ये सब मिलकर कैसे काम करते हैं, इसकी और जानकारी ऑडियो से टेक्स्ट पेज पर है।

स्वतंत्र स्रोत और मानक

Hushscript ने इन स्वतंत्र, गैर-प्रतिस्पर्धी स्रोतों का संदर्भ लिया है। ये शोध, मानकों या प्लेटफ़ॉर्म के काम करने के तरीके को समझाते हैं और Hushscript का समर्थन नहीं करते।

स्रोतों की समीक्षा:

अक्सर पूछे जाने वाले सवाल

Speaker diarization क्या है?

Speaker diarization किसी ऑडियो रिकॉर्डिंग को वक्ता के हिसाब से हिस्सों में बांटने की प्रक्रिया है। नतीजे में ऐसा ट्रांसक्रिप्ट मिलता है जिसकी हर पंक्ति किसी एक आवाज़ से जुड़ी होती है ('वक्ता A ने यह कहा, वक्ता B ने वह कहा'), यानी बिना किसी भेद वाले टेक्स्ट के एक ही ब्लॉक की जगह हर पंक्ति पर वक्ता का नाम होता है। यह किसी के ट्रांसक्रिप्ट पढ़ने से पहले ही अपने आप बता देता है कि 'कौन कब बोला?'

Diarization का मतलब क्या है?

Speech technology में diarization का मतलब है रिकॉर्डिंग के हर हिस्से पर उस वक्ता का लेबल लगाना जिसने वह हिस्सा बोला, ताकि ट्रांसक्रिप्ट में दर्ज रहे कि कौन कब बोला। लेबल सामान्य होते हैं, जैसे वक्ता A और वक्ता B, क्योंकि सिस्टम आवाज़ों को समूहों में बांटता है; वह यह नहीं खोजता कि वे आवाज़ें किसकी हैं।

क्या speaker diarization और speaker identification या voice recognition एक ही चीज़ हैं?

नहीं। Diarization एक ही रिकॉर्डिंग के भीतर आवाज़ों को अलग करता है और बताता है कि ये हिस्से एक ही व्यक्ति ने बोले हैं, पर उसे यह पता नहीं होता कि वह व्यक्ति कौन है। Speaker identification किसी आवाज़ की तुलना जाने-पहचाने संदर्भ नमूने से करके उसे नाम देता है। Diarization को किसी संदर्भ की ज़रूरत नहीं होती और वह कोई voice profile नहीं बनाता; इसीलिए वह वक्ताओं को नाम की जगह 'वक्ता A' और 'वक्ता B' लेबल देता है।

क्या speaker diarization कई वक्ताओं के साथ काम करता है?

हां, लेकिन वक्ताओं की संख्या बढ़ने पर सटीकता घटती है। Hushscript में वक्ताओं की संख्या पर कोई paid सीमा नहीं है, फिर भी ऐसी कोई तय संख्या नहीं है जिस तक diarization बराबर सटीक रहे। आवाज़ों का एक-दूसरे पर चढ़ना, मिलती-जुलती आवाज़ें, माइक्रोफ़ोन की दूरी और कमरे का शोर, सब असर डालते हैं। एक साफ़ पैनल चर्चा शोरगुल वाली दो लोगों की कॉल से बेहतर अलग हो सकती है, इसलिए जहां सही वक्ता बताना मायने रखता हो, वहां लेबल जांच लें।

ट्रांसक्रिप्ट ने एक व्यक्ति को दो वक्ताओं में क्यों बांट दिया?

आम तौर पर बीच में उस व्यक्ति की आवाज़ के बदल जाने की वजह से: वह माइक के पास या उससे दूर चला गया, headset से speakerphone पर आ गया, या लाइन की क्वालिटी बदल गई। इंजन आवाज़ की विशेषताओं के आधार पर क्लस्टर बनाता है, इसलिए बड़ा बदलाव नई आवाज़ जैसा पढ़ा जा सकता है। इसे ठीक करने के लिए एडिटर में प्रभावित हिस्सों को सही वक्ता को दोबारा सौंप दें।

क्या diarization मुझे नाम बता सकता है कि वक्ता कौन है?

नहीं। Diarization वक्ताओं को अलग करता है, पर नाम से उनकी पहचान नहीं करता। वह उन्हें 'वक्ता A', 'वक्ता B' जैसे लेबल देता है। ट्रांसक्रिप्ट बनने के बाद असली नाम आप खुद एडिटर में देते हैं, और हर नाम उस वक्ता की कही हर पंक्ति पर लागू हो जाता है।

क्या pyannote और speaker diarization एक ही चीज़ हैं?

नहीं। Pyannote.audio एक open-source Python toolkit है जिसमें speaker diarization pipelines शामिल हैं, और WhisperX जैसे tools इसे ट्रांसक्रिप्शन मॉडल के साथ जोड़ते हैं। Diarization एक काम है; pyannote उसे खुद चलाने का एक तरीका है। अगर आपको बिना कोड के speaker labels वाला तैयार ट्रांसक्रिप्ट चाहिए, तो फ़ाइल को किसी ट्रांसक्रिप्शन सेवा पर upload करें।

क्या मैं speaker diarization online आज़मा सकता हूं?

हां। Hushscript में आप फ़ाइल, लिंक या रिकॉर्डिंग डालते हैं और साइन इन करने से पहले 5 मिनट तक का speaker labels वाला पूर्वावलोकन मिल जाता है। पूरे ट्रांसक्रिप्शन के लिए account और पर्याप्त उपलब्ध मिनट चाहिए। पात्र personal accounts को card verification के बाद या पहली खरीदारी के साथ एक बार 30 मुफ़्त मिनट मिलते हैं।

क्या speaker diarization फ़ोन कॉल की रिकॉर्डिंग पर काम करता है?

हां, बशर्ते कॉल के दोनों तरफ़ की आवाज़ रिकॉर्ड हुई हो। अगर रिकॉर्डिंग एक ही mixed ट्रैक है जिसमें दोनों आवाज़ें हैं, तो diarization उन्हें किसी भी दो-वक्ता वाली फ़ाइल की तरह अलग कर देता है। अगर हर तरफ़ की आवाज़ अलग mono फ़ाइल में सेव हुई थी, तो पहले दोनों को एक mix में मिला लें, ताकि दोनों आवाज़ें एक ही रिकॉर्डिंग में हों।

क्या हर Hushscript ट्रांसक्रिप्ट में speaker diarization शामिल है?

Speaker labels पर कोई अतिरिक्त शुल्क नहीं है: न कोई add-on, न कोई ऊंचा tier। Speaker detection upload विकल्पों में एक चेकबॉक्स है, और ट्रांसक्रिप्शन के बाद आप लेबल को असली नामों में बदल सकते हैं। नया नाम पूरे ट्रांसक्रिप्ट में अपडेट हो जाता है।

30 मुफ़्त मिनट के साथ शुरू करें

Account बनाने से पहले 5 मिनट तक preview देखें, और नए personal account को app में अपने पहले upload का मुफ़्त preview मिलता है। पूरी transcription के लिए account और मिनट चाहिए; पात्र personal accounts को एक बार 30 मुफ़्त मिनट मिलते हैं, card verification के बाद या पहली खरीदारी के साथ। कोई subscription नहीं।

30 मुफ़्त मिनट पाएँ