ข้ามไปยังเนื้อหาหลัก

บล็อก

การแยกผู้พูด (Speaker Diarization) คืออะไร ทำงานอย่างไร

ผู้เขียน: เผยแพร่: ตรวจสอบล่าสุด:

การแยกผู้พูด (speaker diarization) คือกระบวนการอัตโนมัติที่แบ่งเสียงบันทึกออกเป็นช่วงตามผู้พูด เพื่อตอบคำถามว่า “ใครพูดเมื่อไร” ก่อนที่ใครจะเปิดอ่านข้อความถอดเสียง งานวิจัยด้านการแยกผู้พูดใน ACL Anthology ก็อธิบายภารกิจเดียวกันนี้สำหรับบทสนทนาหลายฝ่าย นี่คือความต่างระหว่างตัวหนังสือก้อนใหญ่กับบทสนทนาที่มีโครงสร้าง และเป็นเหตุผลที่ข้อความถอดเสียงของบทสัมภาษณ์สองคนออกมาเป็นบทสนทนาที่อ่านง่าย ไม่ใช่ย่อหน้ายาวย่อหน้าเดียว

พูดอย่างง่าย: อัปโหลดเสียงบันทึก ระบบแยกผู้พูดจะหาจุดที่เสียงเปลี่ยนคน จัดกลุ่มช่วงที่เสียงเหมือนคนเดียวกัน แล้วส่งข้อความถอดเสียงที่มีหนึ่งบรรทัดต่อหนึ่งรอบการพูด พร้อมป้ายตามเสียงกลับมา บทความนี้อธิบายความหมายของ diarization หลักการทำงานทีละขั้น ความต่างจากการระบุตัวผู้พูด เครื่องมือที่นักพัฒนาใช้ และจุดที่มักพลาด

การแยกผู้พูด (speaker diarization) คืออะไร ความหมายแบบเข้าใจง่าย

ลองนึกภาพการถอดเสียงสัมภาษณ์ยาว 90 นาทีด้วยมือ พอแปลงคำพูดเป็นข้อความเสร็จ งานต่อไปคือใส่ชื่อผู้พูด “ผู้สัมภาษณ์:” “ผู้ให้สัมภาษณ์:” สลับกันไปทุกครั้งที่เสียงเปลี่ยนคน การตัดสินว่าแต่ละวินาทีใครเป็นคนพูด คือสิ่งที่ diarization ทำให้คุณ บางครั้งก็เรียกว่า speech diarization ความหมายเหมือนกัน คือติดป้ายให้แต่ละช่วงของเสียงตามเจ้าของเสียง

ผลลัพธ์คือข้อความถอดเสียงในรูปแบบบทสนทนา:

ผู้พูด A [00:00:12]: สิ่งแรกที่ต้องเข้าใจคือข้อมูลมีอยู่เพียงชั่วครู่เท่านั้น
ผู้พูด B [00:00:27]: ใช่แล้ว และนั่นคือสิ่งที่คนส่วนใหญ่ไม่รู้จนกว่าจะสายเกินไป
ผู้พูด A [00:00:34]: แน่นอน คำถามที่แท้จริงจึงกลายเป็นสิ่งที่คุณทำในช่วงเวลานั้น

ทุกประโยคผูกกับผู้พูดและเวลา จากนั้นเปลี่ยน ผู้พูด A และ ผู้พูด B เป็นชื่อจริงได้ แก้หนึ่งครั้งต่อผู้พูดหนึ่งคน แล้วป้ายจะอัปเดตทุกจุดที่ปรากฏ

ทางเลือกอื่นคือข้อความถอดเสียงธรรมดาที่ไม่มีการแยกผู้พูด ซึ่งเป็นข้อความต่อเนื่องก้อนเดียว ต้องเปิดฟังเสียงซ้ำเพื่อดูว่าใครพูดอะไร ถ้ายาวเกินสองสามนาทีและมีเสียงตั้งแต่สองคนขึ้นไป งานนี้กินแรงจริงๆ และเป็นงานที่ขั้นตอนแยกผู้พูดช่วยตัดออกไป

สิ่งที่ต้องมีก่อนเริ่ม

การแยกผู้พูดทำงานกับเสียงบันทึกโดยตรง ข้อกำหนดจริงๆ มีอย่างเดียวคือเสียงที่ผู้พูดแต่ละคนพอแยกกันออก:

ไม่ต้องลงทะเบียนเสียงในไมโครโฟน ไม่ต้องมีตัวอย่างเสียง ไม่ต้องตั้งค่าทีละผู้พูด

การแยกผู้พูด (speaker diarization) ทำงานอย่างไร

การแยกผู้พูดแบ่งเป็นหลายขั้นตอน การรู้จักแต่ละขั้นช่วยให้อ่านผลลัพธ์ง่ายขึ้นและแก้ง่ายขึ้นเมื่อมีจุดผิด แผนภาพการแยกผู้พูดนี้แสดงลำดับจากไฟล์เสียงไปจนถึงป้าย อ่านจากซ้ายไปขวา:

ไฟล์เสียง  ->  เฟรม  ->  ลักษณะเสียง  ->  จุดเปลี่ยนคน  ->  กลุ่ม  ->  ป้าย
            10-40 ms   ระดับเสียง, สเปกตรัม   A | B | A | C   A, B, C   ผู้พูด A, B, C

การดึงลักษณะเสียง (feature extraction) เสียงถูกตัดเป็นเฟรมสั้นๆ ปกติเฟรมละ 10 ถึง 40 มิลลิวินาที และระบบวัดลักษณะทางเสียงของทุกเฟรม ลักษณะที่ใช้แยกผู้พูดอยู่ในโดเมนความถี่ ได้แก่ ระดับเสียง ฟอร์แมนต์ และรูปแบบสเปกตรัม ซึ่งมักคงที่ในเสียงของคนคนเดียวและต่างกันระหว่างคน

การแบ่งช่วง (segmentation) ระบบมองหาจุดที่ผู้พูดเปลี่ยน คือช่วงที่ลักษณะเสียงเหล่านั้นเปลี่ยนไป นี่เป็นส่วนที่ยากที่สุด จุดเปลี่ยนอาจตกกลางประโยคเมื่อมีคนพูดแทรก และเสียงรบกวนหรือเสียงพูดทับกันอาจซ่อนขอบเขตจริงหรือสร้างขอบเขตปลอมขึ้นมา

การจัดกลุ่ม (clustering) ช่วงที่เสียงเหมือนคนเดียวกันถูกรวมเป็นกลุ่ม ระบบไม่ได้รับแจ้งว่าในห้องมีกี่คน แต่คาดจำนวนผู้พูดจากเสียงเอง ถ้ารู้จำนวนล่วงหน้า บางระบบให้ระบุได้ ถ้าไม่ ระบบจะประมาณเอง ซึ่งเป็นที่มาของข้อผิดพลาด “แยกคนเดียวเป็นสอง” และ “รวมสองคนเป็นหนึ่ง” ส่วนใหญ่

การติดป้าย (labeling) แต่ละกลุ่มได้ป้ายหนึ่งป้าย เช่น ผู้พูด A, ผู้พูด B, ผู้พูด C หรือ ผู้พูด 0, ผู้พูด 1 ป้ายเหล่านี้เป็นตัวแทนที่ตั้งขึ้นเอง ไม่มีตัวตนจริงอยู่เบื้องหลัง เป็นเพียงตัวอ้างอิงที่คงที่สำหรับเสียงหนึ่งเสียงตลอดทั้งเสียงบันทึก

นี่คือไปป์ไลน์แบบดั้งเดิม ระบบรุ่นใหม่มักฝึกโมเดลโครงข่ายประสาทที่ทำหลายขั้นตอนรวมกัน เป้าหมายและผลลัพธ์ยังเหมือนเดิม คือไทม์ไลน์ว่าใครพูดเมื่อไร ใน Hushscript ทั้งหมดนี้ทำงานเป็นขั้นตอนอัตโนมัติควบคู่กับการถอดเสียง จึงไม่ต้องสั่งงานติดป้ายผู้พูดแยกต่างหาก

โมเดลแยกผู้พูด เครื่องมือ Python และ API

นักพัฒนาที่อยากรันการแยกผู้พูดเองมีให้เลือกหลายทาง pyannote.audio เป็นชุดเครื่องมือ Python แบบโอเพนซอร์สสำหรับแยกผู้พูด สร้างบน PyTorch และมีไปป์ไลน์สำเร็จรูป โปรเจกต์อย่าง WhisperX จับคู่โมเดลถอดเสียงกับโมเดลแยกผู้พูด ให้ข้อความและรอบการพูดตรงกัน การรันเองไม่ว่าทางไหนต้องตั้งค่าโมเดล จัดหาเครื่องคำนวณเอง และเขียนโค้ดครอบ

API เป็นทางสายกลาง คือส่งเสียงไป แล้วรับข้อความที่มีรอบการพูดของแต่ละผู้พูดกลับมา API สาธารณะของ Hushscript มีตัวเลือก speaker_detection ในงานถอดเสียง ดูวิธีใช้ได้ที่หน้านักพัฒนา

ถ้าต้องการแค่ผลลัพธ์ คือข้อความถอดเสียงที่มีป้ายผู้พูดจากไฟล์ ก็ไม่ต้องติดตั้งอะไร หัวข้อถัดไปอธิบายว่าทำไมการแยกผู้พูดอย่างเดียวบอกชื่อใครไม่ได้ และหัวข้อหลังจากนั้นแสดงวิธีที่ไม่ต้องเขียนโค้ด

การแยกผู้พูด (diarization) กับการระบุตัวผู้พูด (speaker identification)

สองสิ่งนี้ถูกสับสนกันบ่อย แต่ตอบคำถามคนละข้อ

Diarization ถามว่า: ตอนนี้ใครกำลังพูด เทียบกับเสียงอื่นในไฟล์นี้ แยกเสียงได้แต่ไม่รู้ว่าเป็นของใคร ไม่ต้องมีความรู้มาก่อน

การระบุตัวผู้พูด (speaker identification) หรือที่เรียกว่าการจดจำเสียง ถามว่า: นี่คือคนเดียวกับในเสียงอ้างอิงที่รู้จักหรือไม่ ต้องมีตัวอย่างเสียงที่ลงทะเบียนไว้เพื่อใช้เทียบ และเป็นเทคโนโลยีเบื้องหลังระบบ “ยืนยันตัวตนด้วยเสียง”

Hushscript ใช้การแยกผู้พูด ไม่ใช่การจดจำเสียง ระบบไม่ลงทะเบียนเสียงของใคร และไม่นำเสียงบันทึกของคุณไปเทียบกับของคนอื่น ป้ายผู้พูดมาจากลักษณะเสียงภายในไฟล์นั้นเท่านั้น

ความต่างนี้คือเหตุผลที่ diarization ตั้งชื่อคนให้ไม่ได้ ระบบบอกได้ว่า “คนเดียวกันพูดมา 200 รอบตลอดชั่วโมง” แต่บอกไม่ได้ว่าคนนั้นคือใคร ขั้นตอนนั้นเป็นหน้าที่ของคุณ ถ้าคุณกำลังหาซอฟต์แวร์ที่ติดป้ายผู้พูดในข้อความถอดเสียง ไม่ใช่คำอธิบายเชิงวิธีการ หน้าระบุผู้พูด อธิบายวิธีที่ Hushscript จัดการเสียงบันทึกหลายผู้พูดตั้งแต่ต้นจนจบ

ตัวอย่างจริง: ประชุมสามคน

สมมติว่าคุณบันทึกประชุมโครงการ 40 นาที มีสามคนในห้องเดียว ใช้ไมค์แล็ปท็อปตัวเดียว เก็บเป็นไฟล์ .m4a ไฟล์เดียว วางไฟล์ลงไป และหลังถอดเสียงจะได้ผลลัพธ์ประมาณนี้:

ผู้พูด A [00:00:04]: โอเค มาเริ่มที่วันเปิดตัวกันก่อน เราอยู่ตรงไหนแล้ว
ผู้พูด B [00:00:09]: ฝั่งดีไซน์เสร็จแล้ว เราส่งหน้าจอสุดท้ายให้ตั้งแต่วันจันทร์
ผู้พูด C [00:00:14]: ฝั่งวิศวกรรมขอเวลาอีกประมาณสองสัปดาห์สำหรับขั้นตอนชำระเงิน
ผู้พูด A [00:00:21]: สองสัปดาห์ทำให้เลยวันที่เราสัญญากับฝ่ายการตลาดไว้
ผู้พูด B [00:00:27]: ปล่อยโดยยังไม่มีขั้นตอนชำระเงินใหม่ แล้วตามมาทีหลังได้ไหม
ผู้พูด C [00:00:33]: ไม่ค่อยสะอาดนัก ขั้นตอนเดิมใช้กับราคาใหม่ไม่ได้

สามเสียงถูกแยกและติดป้าย พร้อมเวลาทุกรอบการพูด ทีนี้เปลี่ยนชื่อ: ผู้พูด A เป็น “ปรียา” (เธอเป็นคนดำเนินการประชุม) ผู้พูด B เป็น “ทอม” ผู้พูด C เป็น “ดาน่า” เปลี่ยนชื่อสามครั้ง ทุกบรรทัดก็มีชื่อจริง และข้อความถอดเสียงพร้อมวางลงในบันทึกการประชุมโดยระบุตัวผู้พูดถูกต้องตลอด

รูปแบบเดียวกันใช้ได้กับบทสัมภาษณ์สองคน พอดแคสต์สี่คน หรือสายโทรศัพท์สองฝั่ง ระบบแยกสิ่งที่ได้ยิน และคุณเป็นคนใส่ชื่อ

ลองแยกผู้พูดออนไลน์ด้วย Hushscript

การตรวจจับผู้พูดเป็นช่องทำเครื่องหมายในตัวเลือกการอัปโหลด และป้ายผู้พูดไม่มีค่าใช้จ่ายเพิ่ม ขั้นตอนคือ วางไฟล์ วางลิงก์เสียงที่รองรับ หรือบันทึกเสียงในเบราว์เซอร์ แล้วจะได้ตัวอย่างที่มีป้ายผู้พูดยาวสูงสุด 5 นาทีโดยไม่ต้องมีบัญชี ตัวอย่างแสดงแต่ละรอบการพูดจากเสียงของคุณเองในบรรทัดของมันพร้อมป้าย สมัครเพื่อถอดเสียงส่วนที่เหลือ แล้วเปิดข้อความถอดเสียงที่เสร็จแล้ว จากนั้น:

  1. คลิกป้ายผู้พูดใดก็ได้ในตัวแก้ไขข้อความถอดเสียง เช่น ผู้พูด B
  2. เลือก แก้ไขชื่อผู้พูด จากเมนูที่เปิดขึ้น
  3. พิมพ์ชื่อจริง เช่น “ทอม” ในกล่องโต้ตอบ แล้วบันทึก
  4. ทุกจุดของผู้พูดคนนั้นอัปเดตพร้อมกัน ตั้งแต่บรรทัดแรกถึงบรรทัดสุดท้าย

การเปลี่ยนชื่อมีผลทั้งไฟล์ จึงไม่ต้องแก้ป้ายเดิมซ้ำสองครั้ง ถ้าระบบจัดรอบการพูดหนึ่งไปอยู่ใต้ผู้พูดผิดคน ให้ย้ายรอบนั้นไปยังป้ายที่ถูกต้อง จากนั้นส่งออกข้อความถอดเสียงพร้อมชื่อได้ใน 21 รูปแบบ เช่น TXT, SRT, DOCX, PDF และ JSON รวมถึง .husharchive ที่ป้องกันด้วยรหัสผ่าน

ปัญหาของการแยกผู้พูดและวิธีแก้

การแยกผู้พูดเชื่อถือได้กับเสียงบันทึกที่สะอาด และยากขึ้นเมื่อเสียงรกขึ้น ปัญหาที่พบบ่อยและสิ่งที่ควรทำ:

เสียงพูดทับกัน เมื่อสองคนพูดพร้อมกัน ระบบต้องจัดเสียงที่ทับกันให้ผู้พูดคนเดียว จึงอาจติดป้ายช่วงที่ซ้อนกันผิดหรือตกหล่นไปสองสามคำ ซอฟต์แวร์แก้ไม่ได้ เพราะในเสียงมีสองเสียงในขณะเดียวกันจริงๆ ทางที่ได้ผลคือป้องกัน เสียงบันทึกที่ผลัดกันพูดแยกได้สะอาดกว่าเสียงที่เต็มไปด้วยการพูดแทรกมาก หากมีช่วงทับกัน การไล่อ่านเทียบกับเสียงอย่างรวดเร็วก็จับบรรทัดที่ได้รับผลกระทบได้

เสียงที่คล้ายกัน ผู้พูดสองคนที่ระดับเสียงและสำเนียงใกล้กัน (เช่น ผู้ชายสองคนวัยใกล้กัน หรือพี่น้อง) แยกยากกว่าคู่ที่เสียงต่างกันชัด เพราะลักษณะเสียงซ้อนทับกันจริงๆ ระบบอาจสลับรอบการพูดระหว่างสองคนนี้เป็นบางครั้ง ให้ไล่ดูข้อความถอดเสียงหาบรรทัดที่อ่านแล้วไม่เข้ากับผู้พูดที่ระบุ แล้วย้ายด้วยมือ

ผู้พูดจำนวนมาก ความแม่นยำลดลงเมื่อจำนวนคนเพิ่ม เพราะแต่ละเสียงที่เพิ่มคือกลุ่มที่ต้องแยกอีกกลุ่มหนึ่งและมีโอกาสพูดทับกันมากขึ้น Hushscript ไม่จำกัดจำนวนผู้พูดตามแพ็กที่จ่าย แต่สายประชุมสิบคนที่ใช้ไมค์แล็ปท็อปตัวเดียวต้องตรวจมากกว่าบทสัมภาษณ์สองคน

คนเดียวถูกแยกเป็นสองป้าย ถ้าเสียงของใครสักคนเปลี่ยนกลางการบันทึก (ขยับเข้าใกล้ไมค์ เปลี่ยนจากหูฟังเป็นลำโพงโทรศัพท์ หรือสัญญาณเชื่อมต่อแย่ลง) ระบบอาจมองครึ่งหลังเป็นเสียงใหม่และสร้างป้ายเกินมา ให้ย้ายรอบการพูดใต้ป้ายที่เกินไปยังผู้พูดที่ถูกต้อง

สองคนถูกรวมเป็นป้ายเดียว กรณีกลับกันเกิดเมื่อสองเสียงที่เบาหรืออยู่ไกลไมค์ฟังคล้ายกันเกินกว่าระบบจะแยก กรณีนี้แก้ทีหลังยากที่สุด จึงควรป้องกันไว้ก่อน เอาไมค์เข้าใกล้ผู้พูดมากขึ้น และอย่าบันทึกจากอีกฟากของห้องใหญ่ ในตัวแก้ไขสามารถแบ่งรอบการพูดและย้ายไปยังผู้พูดที่ถูกต้องได้

เสียงไกลไมค์หรือมีเสียงรบกวน ไมค์แล็ปท็อปที่ปลายโต๊ะประชุม โทรศัพท์วางบนโต๊ะระหว่างคุยกลุ่ม หรือเสียงก้องในห้องมาก ล้วนทำให้ขอบเขตระหว่างเสียงพร่า วางไมค์ให้ใกล้ขึ้นช่วยได้กับทุกคน และการลดเสียงรบกวนพื้นหลัง (พัดลม การจราจร เพลง) ทำให้แยกเสียงได้คมขึ้น คุณภาพการแยกผู้พูดขึ้นกับคุณภาพเสียงอย่างใกล้ชิด

สายโทรศัพท์ที่บันทึกเป็นสองไฟล์แยกกัน ถ้าเครื่องบันทึกเก็บแต่ละฝั่งของสายเป็นไฟล์โมโนของตัวเอง การแยกผู้พูดกับไฟล์ใดไฟล์หนึ่งจะเห็นแค่เสียงเดียว ให้รวมสองไฟล์เป็นไฟล์มิกซ์เดียวก่อน เพื่อให้ทั้งสองเสียงอยู่ในไฟล์เดียว แล้วจึงถอดเสียงไฟล์นั้น

เคล็ดลับความแม่นยำที่เห็นผลจริง

นิสัยไม่กี่อย่างทำให้การแยกผู้พูดดีขึ้นอย่างเห็นได้ชัด และส่วนใหญ่เกี่ยวกับการบันทึก ไม่ใช่ซอฟต์แวร์:

ไม่ต้องสมบูรณ์แบบทั้งหมด การผลัดกันพูดให้ชัดและวางไมค์พอเหมาะก็ทำให้เสียงบันทึกส่วนใหญ่ได้ป้ายที่สะอาด ที่เหลือตัวแก้ไขจัดการได้

ทำไมการแยกผู้พูดสำคัญกับบทสัมภาษณ์และการประชุม

ถ้าไม่มีการแยกผู้พูด ข้อความถอดเสียงของบทสนทนาหลายคนแทบใช้งานไม่ได้กับงานที่พบบ่อยที่สุด:

เมื่อมีการแยกผู้พูด ทั้งสามข้อทำได้ตรงไปตรงมา และข้อความถอดเสียงกลายเป็นเอกสาร ไม่ใช่ข้อความดิบ สำหรับงานที่จะเผยแพร่หรืออ้างอิง ไม่ว่าจะเป็นงานข่าว งานวิจัย หรือโน้ตประกอบพอดแคสต์ การระบุตัวผู้พูดให้ถูกต้องเป็นเรื่องที่เลี่ยงไม่ได้ ส่วนงานภายใน เช่น บันทึกการประชุม งานวิจัยจากบทสัมภาษณ์ หรือบันทึกด้านบุคคล โครงสร้างที่มีป้ายก็มีค่าไม่แพ้กัน การกวาดตาอ่านบทสนทนาเร็วกว่าอ่านตัวหนังสือก้อนใหญ่มาก

หากต้องการคู่มือฉบับเต็มในบริบทจริง ดูวิธีถอดเสียงบทสัมภาษณ์ ซึ่งครอบคลุมการบันทึก การถอดเสียง และการเปลี่ยนป้ายสำหรับงานข่าวและงานวิจัย และวิธีถอดเสียงพอดแคสต์ สำหรับการติดป้ายพิธีกรและแขกรับเชิญตลอดทั้งตอน

ป้ายผู้พูดไม่มีค่าใช้จ่ายเพิ่ม

การแยกผู้พูดรวมอยู่ในทุกข้อความถอดเสียงของ Hushscript โดยไม่มีค่าใช้จ่ายเพิ่ม ไม่มีส่วนเสริมสำหรับ diarization ไม่มีแพ็กระดับแยกต่างหาก และไม่จำกัดจำนวนผู้พูดตามแพ็กที่จ่ายในเสียงบันทึกหนึ่ง Hushscript จ่ายตามการใช้งานโดยไม่ต้องสมัครสมาชิก บัญชีส่วนบุคคลที่มีสิทธิ์ได้รับ 30 นาทีฟรีหนึ่งครั้งหลังยืนยันบัตรสำเร็จ หรือพร้อมการซื้อครั้งแรกหากยังไม่เคยได้รับ หลังจากนั้นจ่ายเฉพาะนาทีที่ใช้ ดูรายละเอียดที่หน้าราคา

ป้ายอัตโนมัติอาจผิดได้ จึงควรตรวจทุกครั้งที่การระบุตัวผู้พูดมีความสำคัญ วางเสียงบันทึก รับป้าย เปลี่ยนชื่อ แล้วส่งออกผลลัพธ์ อ่านภาพรวมทั้งหมดเพิ่มเติมได้ที่หน้าถอดเสียงเป็นข้อความ

แหล่งข้อมูลและมาตรฐานอิสระ

Hushscript อ้างอิงแหล่งข้อมูลอิสระที่ไม่ใช่คู่แข่งเหล่านี้เพื่ออธิบายงานวิจัย มาตรฐาน หรือการทำงานของแพลตฟอร์ม โดยไม่ได้หมายความว่าแหล่งข้อมูลดังกล่าวรับรอง Hushscript

วันที่ตรวจสอบแหล่งข้อมูล:

คำถามที่พบบ่อย

การแยกผู้พูด (speaker diarization) คืออะไร

การแยกผู้พูดคือกระบวนการแบ่งเสียงบันทึกออกเป็นช่วงตามผู้พูดแต่ละคน ผลลัพธ์คือข้อความถอดเสียงที่ทุกบรรทัดระบุว่าเป็นเสียงของใคร ("ผู้พูด A พูดอย่างนี้ ผู้พูด B พูดอย่างนั้น") แทนที่จะเป็นข้อความก้อนเดียวที่แยกไม่ออก ระบบตอบคำถามว่า "ใครพูดเมื่อไร" ให้อัตโนมัติ ก่อนที่ใครจะเปิดอ่านข้อความถอดเสียง

Diarization แปลว่าอะไร

ในเทคโนโลยีด้านเสียงพูด diarization หมายถึงการติดป้ายให้ทุกช่วงของเสียงบันทึกว่าเป็นของผู้พูดคนไหน เพื่อให้ข้อความถอดเสียงบอกได้ว่าใครพูดและพูดเมื่อไร ป้ายที่ได้เป็นป้ายทั่วไป เช่น ผู้พูด A และผู้พูด B เพราะระบบแค่จัดกลุ่มเสียงที่คล้ายกัน ไม่ได้ค้นหาว่าเจ้าของเสียงเป็นใคร

การแยกผู้พูดเหมือนกับการระบุตัวผู้พูดหรือการจดจำเสียงหรือไม่

ไม่เหมือน การแยกผู้พูดแยกเสียงภายในเสียงบันทึกเดียว และบอกได้ว่าช่วงเหล่านี้เป็นคนคนเดียวกัน แต่ไม่รู้ว่าคนนั้นคือใคร ส่วนการระบุตัวผู้พูดเทียบเสียงกับตัวอย่างอ้างอิงที่รู้จักอยู่แล้วเพื่อระบุชื่อ การแยกผู้พูดไม่ต้องมีตัวอย่างอ้างอิงและไม่สร้างโปรไฟล์เสียง จึงติดป้ายว่า "ผู้พูด A" และ "ผู้พูด B" แทนที่จะเป็นชื่อจริง

การแยกผู้พูดใช้ได้กับผู้พูดหลายคนไหม

ได้ แต่ความแม่นยำจะลดลงเมื่อจำนวนคนเพิ่มขึ้น Hushscript ไม่จำกัดจำนวนผู้พูดตามแพ็กที่จ่าย แต่ก็ไม่มีตัวเลขตายตัวที่ทำให้ความแม่นยำคงที่ ปัจจัยที่มีผลคือเสียงพูดทับกัน เสียงที่คล้ายกัน ระยะห่างจากไมโครโฟน และเสียงรบกวนในห้อง วงเสวนาที่เสียงสะอาดอาจแยกได้ดีกว่าสายโทรศัพท์สองคนที่มีเสียงรบกวน จึงควรตรวจป้ายทุกครั้งที่การระบุตัวผู้พูดมีความสำคัญ

ทำไมข้อความถอดเสียงจึงแยกคนคนเดียวเป็นผู้พูดสองคน

มักเกิดจากเสียงของคนคนนั้นเปลี่ยนไปมากระหว่างการบันทึก เช่น ขยับเข้าใกล้หรือห่างจากไมค์ เปลี่ยนจากหูฟังเป็นลำโพงโทรศัพท์ หรือคุณภาพสายเปลี่ยน ระบบจัดกลุ่มตามลักษณะเสียง การเปลี่ยนแปลงที่มากจึงอาจถูกมองเป็นเสียงของคนใหม่ แก้ได้โดยย้ายช่วงพูดที่ผิดไปยังผู้พูดที่ถูกต้องในตัวแก้ไข

การแยกผู้พูดบอกชื่อผู้พูดให้ได้ไหม

ไม่ได้ การแยกผู้พูดแยกเสียงแต่ไม่ระบุชื่อ ระบบติดป้ายเป็น "ผู้พูด A", "ผู้พูด B" และต่อไปเรื่อยๆ ชื่อจริงต้องตั้งเองในตัวแก้ไขหลังสร้างข้อความถอดเสียงแล้ว และการเปลี่ยนชื่อแต่ละครั้งมีผลกับทุกบรรทัดของผู้พูดคนนั้น

pyannote คือสิ่งเดียวกับการแยกผู้พูดหรือไม่

ไม่ใช่ pyannote.audio เป็นชุดเครื่องมือ Python แบบโอเพนซอร์สที่มีไปป์ไลน์สำหรับแยกผู้พูด และเครื่องมืออย่าง WhisperX นำไปรวมกับโมเดลถอดเสียง การแยกผู้พูดคือภารกิจ ส่วน pyannote เป็นวิธีหนึ่งที่ใช้รันเอง หากต้องการข้อความถอดเสียงสำเร็จรูปที่มีป้ายผู้พูดโดยไม่ต้องเขียนโค้ด ให้อัปโหลดไฟล์ไปยังบริการถอดเสียงแทน

ลองแยกผู้พูดออนไลน์ได้ไหม

ได้ ใน Hushscript วางไฟล์ ลิงก์ หรือบันทึกเสียงลงไป ก็ได้ตัวอย่างที่มีป้ายผู้พูดยาวสูงสุด 5 นาทีก่อนลงชื่อเข้าใช้ การถอดเสียงทั้งหมดต้องมีบัญชีและมีนาทีเหลือเพียงพอ บัญชีส่วนบุคคลที่มีสิทธิ์ได้รับ 30 นาทีฟรีหนึ่งครั้ง หลังยืนยันบัตรหรือพร้อมการซื้อครั้งแรก

การแยกผู้พูดใช้ได้กับเสียงบันทึกการโทรไหม

ได้ เมื่อบันทึกเสียงครบทั้งสองฝั่งของสาย ถ้าเสียงบันทึกเป็นแทร็กรวมที่มีทั้งสองเสียง ระบบจะแยกได้เหมือนไฟล์ที่มีผู้พูดสองคนทั่วไป หากแต่ละฝั่งถูกบันทึกเป็นไฟล์โมโนแยกกัน ให้รวมเป็นไฟล์มิกซ์เดียวก่อน เพื่อให้ทั้งสองเสียงอยู่ในเสียงบันทึกเดียวกัน

ทุกข้อความถอดเสียงของ Hushscript มีการแยกผู้พูดรวมอยู่ด้วยไหม

ป้ายผู้พูดไม่มีค่าใช้จ่ายเพิ่ม ไม่ต้องซื้อส่วนเสริมและไม่ต้องใช้แพ็กระดับสูงกว่า การตรวจจับผู้พูดเป็นช่องทำเครื่องหมายในตัวเลือกการอัปโหลด และหลังถอดเสียงเปลี่ยนป้ายเป็นชื่อจริงได้ ชื่อใหม่จะอัปเดตทั่วทั้งข้อความถอดเสียง

เริ่มต้นด้วย 30 นาทีฟรี

ดูตัวอย่างสูงสุด 5 นาทีก่อนสร้างบัญชี และบัญชีส่วนบุคคลใหม่จะได้ดูตัวอย่างฟรีจากไฟล์แรกที่อัปโหลดในแอป การถอดเสียงทั้งไฟล์ต้องมีบัญชีและนาที บัญชีส่วนบุคคลที่มีสิทธิ์รับ 30 นาทีฟรีหนึ่งครั้ง หลังยืนยันบัตรหรือพร้อมการซื้อครั้งแรก ไม่มีค่าสมาชิก

รับ 30 นาทีฟรี