Blog
Cos'è la diarizzazione dei parlanti? Come funziona
Autore: Hushscript Pubblicato: Ultima revisione:
La diarizzazione dei parlanti è il processo automatico che divide una registrazione in segmenti in base a chi parla, rispondendo a “chi ha parlato e quando?” prima che qualcuno legga la trascrizione. La ricerca attuale sulla diarizzazione nell’ACL Anthology descrive lo stesso compito per le conversazioni tra più persone. È la differenza tra un muro di parole e una conversazione strutturata, ed è il motivo per cui la trascrizione di un’intervista a due voci torna come un dialogo leggibile e non come un unico lungo paragrafo.
In parole semplici: carichi una registrazione, il motore di diarizzazione trova i punti in cui la voce cambia, raggruppa i segmenti che suonano come la stessa persona e restituisce una trascrizione con una riga per ogni turno, etichettata per voce. Questo articolo spiega il significato della diarizzazione, come funziona passo dopo passo, in che cosa si distingue dall’identificazione del parlante, quali strumenti usano gli sviluppatori e dove può sbagliare.
Che cos’è la diarizzazione dei parlanti? Il significato in parole semplici
Immagina di trascrivere a mano un’intervista di 90 minuti. Dopo aver trasformato il parlato in testo, resta il lavoro di attribuzione: “Intervistatore:”, “Ospite:”, avanti e indietro, a ogni cambio di voce. Decidere chi sta parlando in ogni secondo è esattamente ciò che la diarizzazione fa al posto tuo. La trovi chiamata anche diarizzazione vocale. La definizione è la stessa: associare a ogni parte dell’audio la voce a cui appartiene.
Il risultato è una trascrizione in formato dialogo:
Relatore A [00:00:12]: La prima cosa da capire è che i dati esistono solo per un momento.
Relatore B [00:00:27]: Giusto, e questa è la parte che la maggior parte delle persone non capisce finché non è troppo tardi.
Relatore A [00:00:34]: Esattamente. Quindi la vera domanda diventa cosa fai in quella finestra.
Ogni intervento è legato a un parlante e a un timestamp. Puoi poi rinominare Relatore A e Relatore B con i nomi reali, con una modifica per parlante, e l’etichetta si aggiorna ovunque compaia.
L’alternativa, una trascrizione semplice senza diarizzazione, è un blocco continuo di testo in cui devi riascoltare l’audio per capire chi ha detto cosa. Oltre un paio di minuti con due o più voci, è un vero lavoro manuale, ed è proprio il lavoro che la diarizzazione ti toglie.
Che cosa serve prima di iniziare
La diarizzazione lavora sulla registrazione stessa, quindi l’unico vero requisito è un audio in cui i parlanti siano ragionevolmente distinti:
- Una registrazione con tutte le voci. La diarizzazione lavora all’interno di un singolo file, quindi tutti i parlanti devono essere presenti in quel file. Una tavola rotonda con un solo microfono d’ambiente funziona; due persone registrate ciascuna sul proprio dispositivo e salvate in due file separati, no. Uniscili prima in un unico mix.
- Un audio abbastanza chiaro. Non serve la qualità da studio. Serve che ogni persona si senta senza sforzo, con poche sovrapposizioni e poco rumore di fondo. Più le voci sono separate, più le etichette sono pulite.
- Un’idea approssimativa di quante persone parlano. Non devi indicarlo, ma sapere quante sono ti aiuta a verificare il risultato: se hai registrato tre persone e la trascrizione mostra sei parlanti, sai dove guardare.
Nessuna registrazione preliminare del microfono, nessun campione vocale, nessuna configurazione per ogni parlante.
Come funziona la diarizzazione dei parlanti
La diarizzazione si divide in alcune fasi distinte. Conoscerle rende il risultato più facile da leggere e da correggere quando qualcosa va storto. Questo schema della diarizzazione mostra il percorso dal file audio alle etichette, da leggere da sinistra a destra:
audio -> frame -> caratteristiche -> punti di cambio -> cluster -> etichette
file 10-40 ms tono, spettro A | B | A | C A, B, C Relatore A, B, C
Estrazione delle caratteristiche. L’audio viene diviso in brevi frame, in genere da 10 a 40 millisecondi ciascuno, e il motore misura le caratteristiche acustiche di ogni frame. Quelle utili per distinguere i parlanti stanno nel dominio della frequenza: altezza del suono, formanti e pattern spettrali che tendono a restare costanti nella voce di una persona e a differire da una persona all’altra.
Segmentazione. Il motore cerca i punti di cambio di parlante: i momenti in cui queste caratteristiche vocali cambiano. È la parte difficile. Un cambio può cadere a metà frase quando qualcuno interrompe, e il rumore o il parlato sovrapposto possono nascondere un confine reale o inventarne uno falso.
Clustering. I segmenti che suonano come la stessa voce vengono raggruppati. Al motore non viene detto quante persone ci sono nella stanza: ricava il numero di parlanti dall’audio. Se conosci il numero in anticipo, alcune configurazioni permettono di indicarlo. Altrimenti il motore lo stima, ed è da qui che nasce la maggior parte degli errori del tipo “una persona divisa in due” e “due persone unite in una”.
Etichettatura. Ogni cluster riceve un’etichetta: Relatore A, Relatore B, Relatore C, oppure Relatore 0, Relatore 1. Le etichette sono segnaposto arbitrari. Dietro non c’è alcuna identità, solo un riferimento stabile a una voce in tutta la registrazione.
Questa è la pipeline classica. I sistemi più recenti spesso addestrano modelli neurali che gestiscono insieme più fasi. L’obiettivo e il risultato restano gli stessi: una linea temporale di chi ha parlato e quando. Su Hushscript tutto avviene in un passaggio automatico insieme alla trascrizione, quindi non devi avviare un lavoro separato per le etichette dei parlanti.
Modelli di diarizzazione, strumenti Python e API
Gli sviluppatori che vogliono eseguire la diarizzazione in proprio hanno alcune strade. pyannote.audio è un toolkit Python open source per la diarizzazione dei parlanti, basato su PyTorch, con pipeline già pronte. Progetti come WhisperX abbinano un modello di trascrizione a un modello di diarizzazione, così testo e turni dei parlanti risultano allineati. In entrambi i casi bisogna configurare i modelli, mettere a disposizione la potenza di calcolo e scrivere un po’ di codice.
Un’API è la via di mezzo: invii l’audio e ricevi il testo con i turni dei parlanti. L’API pubblica di Hushscript accetta l’opzione speaker_detection nei job di trascrizione. Come funziona lo trovi nella pagina per sviluppatori.
Se vuoi solo il risultato, una trascrizione con i parlanti etichettati a partire da un file, non c’è nulla da installare. La sezione successiva spiega perché la sola diarizzazione non può dare un nome a nessuno, e quelle dopo mostrano il percorso senza codice.
Diarizzazione e identificazione del parlante
I due concetti vengono confusi di continuo, ma rispondono a domande diverse.
La diarizzazione si chiede: chi sta parlando in questo momento, rispetto alle altre voci di questo file? Separa le voci ma non sa a chi appartengano. Non richiede alcuna conoscenza preliminare.
L’identificazione del parlante, detta anche riconoscimento vocale, si chiede: è la stessa persona di una registrazione di riferimento nota? Richiede un campione vocale registrato con cui confrontare ed è la tecnologia dietro i sistemi che “verificano la tua identità con la voce”.
Hushscript usa la diarizzazione, non il riconoscimento vocale. Non registra le voci in anticipo e non confronta la tua registrazione con quelle di altre persone. Le etichette dei parlanti derivano dalle caratteristiche vocali presenti in quel solo file.
Questa distinzione spiega perché la diarizzazione non può dare un nome alle persone. Può dire “la stessa persona ha pronunciato questi 200 turni nell’arco dell’ora”, ma non chi sia. Quel passaggio spetta a te. Se cerchi un software che etichetti i parlanti in una trascrizione, più che la spiegazione del metodo, la pagina sull’identificazione dei parlanti descrive come Hushscript gestisce le registrazioni con più voci dall’inizio alla fine.
Un esempio pratico: una riunione a tre
Supponi di registrare una riunione di progetto di 40 minuti con tre persone nella stessa stanza, che condividono il microfono di un unico portatile, salvata in un solo file .m4a. Lo carichi e, dopo la trascrizione, il risultato è questo:
Relatore A [00:00:04]: Ok, iniziamo con la data di lancio. Dove siamo?
Relatore B [00:00:09]: Il design è finito. Lunedì abbiamo consegnato le schermate finali.
Relatore C [00:00:14]: Engineering ha bisogno di circa altre due settimane per il flusso di pagamento.
Relatore A [00:00:21]: Due settimane ci fanno superare la data promessa al marketing.
Relatore B [00:00:27]: Possiamo spedire senza il nuovo flusso di pagamento e dare seguito?
Relatore C [00:00:33]: Non in modo pulito. Il vecchio flusso si interrompe con i nuovi prezzi.
Tre voci, separate ed etichettate, con il timestamp a ogni turno. Ora le rinomini: Relatore A diventa “Priya” (è lei a condurre la riunione), Relatore B diventa “Tom”, Relatore C diventa “Dana”. Dopo tre rinomine ogni riga porta un nome reale e la trascrizione è pronta da incollare negli appunti della riunione, con l’attribuzione corretta ovunque.
Lo stesso vale per un’intervista a due, un podcast a quattro voci o una telefonata a due lati: il motore separa ciò che sente e tu aggiungi i nomi.
Provare la diarizzazione dei parlanti online con Hushscript
Il riconoscimento dei parlanti è una casella tra le opzioni di caricamento e le etichette non costano nulla in più. Il percorso: trascini il file, incolli un link audio supportato o registri nel browser, e senza account ottieni un’anteprima fino a 5 minuti con i parlanti etichettati. L’anteprima mostra ogni turno del tuo audio su una riga a sé, con la sua etichetta. Registrati per trascrivere il resto, poi apri la trascrizione finita. Da lì:
- Fai clic su un’etichetta qualsiasi nell’editor della trascrizione, per esempio
Relatore B. - Scegli Modifica nomi relatore dal menu che si apre.
- Scrivi il nome reale, per esempio “Tom”, nella finestra e salva.
- Ogni occorrenza di quel parlante si aggiorna in un colpo solo, dalla prima riga all’ultima.
La rinomina è globale, quindi non modifichi mai due volte la stessa etichetta. Se il motore ha attribuito un turno al parlante sbagliato, riassegna quel turno all’etichetta giusta. Poi puoi esportare la trascrizione, nomi compresi, in uno qualsiasi dei 21 formati, tra cui TXT, SRT, DOCX, PDF e JSON, oltre a un file .husharchive protetto da password.
Problemi della diarizzazione e come risolverli
La diarizzazione è affidabile sulle registrazioni pulite e diventa più difficile man mano che l’audio peggiora. I problemi più comuni e che cosa fare:
Parlato sovrapposto. Quando due persone parlano insieme, il motore deve assegnare l’audio sovrapposto a un solo parlante e può attribuire male il passaggio o perdere qualche parola. Non esiste una correzione via software: l’audio contiene davvero due voci nello stesso istante. La leva è la prevenzione: una registrazione in cui ci si alterna viene diarizzata molto meglio di una piena di interruzioni. Dove le sovrapposizioni ci sono, una rapida lettura confrontata con l’audio individua le poche righe coinvolte.
Voci simili. Due parlanti con altezza e accento vicini (per esempio due uomini della stessa età, o fratelli) sono più difficili da separare di una coppia con voci diverse, perché le loro caratteristiche vocali si sovrappongono davvero. Ogni tanto il motore può scambiare un turno tra i due. Scorri la trascrizione cercando righe che suonano strane per il parlante assegnato e riassegnale a mano.
Molti parlanti. La precisione cala all’aumentare delle persone, perché ogni voce in più è un cluster da tenere separato e una nuova occasione di sovrapposizione. Hushscript non pone limiti a pagamento al numero di parlanti, ma una chiamata a dieci con un solo microfono di portatile richiederà più revisione di un’intervista a due.
Una persona divisa in due etichette. Se l’audio di qualcuno cambia durante la registrazione (si avvicina al microfono, passa dalle cuffie al vivavoce, la connessione peggiora), il motore può leggere la seconda metà come una voce nuova e creare un’etichetta in più. Riassegna i turni dell’etichetta in più al parlante giusto.
Due persone unite in una sola etichetta. Succede il contrario quando due voci basse o lontane suonano troppo simili perché il motore le separi. È il caso più difficile da riparare a posteriori, quindi conviene prevenirlo: avvicina il microfono ai parlanti ed evita di registrare dall’altra parte di una sala grande. Nell’editor puoi dividere i turni e riassegnarli.
Audio lontano dal microfono o rumoroso. Il microfono di un portatile a capotavola, un telefono appoggiato sul tavolo durante una chat di gruppo o un forte riverbero della stanza sfumano i confini tra le voci. Un microfono più vicino aiuta tutti i parlanti, e ridurre il rumore di fondo (ventole, traffico, musica) rende la separazione più netta. La qualità della diarizzazione segue da vicino la qualità dell’audio.
Telefonate registrate come due file separati. Se il registratore ha salvato ogni lato della chiamata come file mono a sé, la diarizzazione di uno solo dei file sente una sola voce. Unisci prima i due file in un’unica registrazione mixata, così entrambe le voci sono presenti in un solo file, e poi trascrivi quella.
Consigli sulla precisione che fanno davvero la differenza
Alcune abitudini migliorano sensibilmente la diarizzazione, e quasi tutte riguardano la registrazione, non il software:
- Lascia parlare uno alla volta. Le sovrapposizioni sono la prima fonte di errori di diarizzazione. Una discussione moderata vale più di un tutti-contro-tutti.
- Avvicina il microfono. Distanza e riverbero della stanza impastano le voci. L’ideale è un microfono vicino a ogni persona; uno condiviso al centro del tavolo è meglio di uno in un angolo.
- Elimina il rumore di fondo evidente. Musica, una ventola accesa o un bar affollato competono con le voci e confondono i confini.
- Metti tutte le voci nel file che trascrivi. La diarizzazione confronta i parlanti all’interno di una registrazione. Se un registratore ha prodotto tracce separate per partecipante, mixale in un unico file prima, così la diarizzazione può ascoltare l’intera conversazione.
Non serve che sia tutto perfetto. Turni chiari e una posizione ragionevole del microfono bastano per avere etichette pulite nella maggior parte delle registrazioni, e il resto lo sistema l’editor.
Perché la diarizzazione conta per interviste e riunioni
Senza diarizzazione, la trascrizione di una conversazione a più voci è quasi inutilizzabile per gli usi più comuni:
- Citazioni dirette. Non puoi citare qualcuno se non sai quali righe sono sue.
- Attribuzione nei riassunti. Un riepilogo di riunione che non dice chi ha detto cosa è poco più utile di nessun riepilogo.
- Ricerca per parlante. Se cerchi qualcosa che ha detto una persona, non puoi filtrare un unico blocco di testo indifferenziato.
Con la diarizzazione tutto questo diventa semplice e la trascrizione diventa un documento invece di testo grezzo. Per qualsiasi cosa venga pubblicata o citata, che sia giornalismo, ricerca o note di un podcast, l’attribuzione corretta non è facoltativa. Per il lavoro interno, come appunti di riunione, ricerca basata su interviste o verbali HR, la struttura etichettata è altrettanto preziosa: scorrere un dialogo è molto più veloce che leggere un muro di testo.
Per una guida completa in contesto, vedi come trascrivere un’intervista, che copre registrazione, trascrizione e rietichettatura per giornalismo e ricerca, e come trascrivere un podcast per etichettare conduttori e ospiti lungo un episodio.
Le etichette dei parlanti non costano nulla in più
La diarizzazione è inclusa in ogni trascrizione di Hushscript senza costi aggiuntivi. Non c’è un componente aggiuntivo per la diarizzazione, né un piano separato, né un limite a pagamento al numero di parlanti di una registrazione. Hushscript è a consumo, senza abbonamento. Gli account personali idonei possono ricevere 30 minuti gratuiti una sola volta dopo la verifica riuscita della carta, oppure con il primo acquisto se non sono già stati concessi. Dopo paghi solo i minuti che usi; i dettagli sono nella pagina dei prezzi.
Le etichette automatiche possono sbagliare, quindi controllale quando l’attribuzione è importante. Carica una registrazione, ottieni le etichette, rinominale ed esporta il risultato. Trovi di più su come tutto si incastra nella pagina da audio a testo.
Fonti e standard indipendenti
Hushscript ha consultato queste fonti indipendenti e non concorrenti. Illustrano ricerche, standard o il funzionamento delle piattaforme e non implicano un sostegno a Hushscript.
Fonti verificate il: