การแยกผู้พูดทำงานอย่างไร

ผู้เขียน: Hushscript | เผยแพร่: 12 พฤษภาคม 2569 | ตรวจสอบล่าสุด: 21 กรกฎาคม 2569

การแยกเสียงของผู้พูดเป็นกระบวนการอัตโนมัติของการแยกการบันทึกออกเป็นส่วนๆ ตามผู้พูด โดยตอบคำถามว่า “ใครพูดเมื่อใด” ก่อนที่มนุษย์คนใดจะอ่านบทบรรยาย งานวิจัยเกี่ยวกับวิทยากรใน ACL Anthology ปัจจุบันอธิบายงานเดียวกันสำหรับการสนทนาหลายฝ่าย มันเป็นความแตกต่างระหว่างกำแพงคำพูดและบทสนทนาที่มีโครงสร้าง และเป็นเหตุผลที่สำเนาบทสัมภาษณ์ของคนสองคนกลับมาเป็นบทสนทนาที่อ่านได้แทนที่จะเป็นย่อหน้ายาวๆ เดียว

พูดง่ายๆ: คุณอัปโหลดการบันทึก ระบบไดอะไรเซชันจะค้นหาจุดที่เสียงเปลี่ยนไป จัดกลุ่มส่วนที่ฟังดูเหมือนคนคนเดียวกัน และส่งคืนบทถอดเสียงที่อ่านเหมือนสคริปต์: หนึ่งบรรทัดต่อเทิร์น โดยมีป้ายกำกับด้วยเสียง โพสต์นี้จะอธิบายวิธีการทำงาน เหตุใดการแยกเสียงจึงไม่เหมือนกับการจดจำเสียง และวิธีเปลี่ยนป้ายกำกับทั่วไปให้เป็นชื่อจริง

การแยกเสียงของผู้บรรยายแบบเข้าใจง่าย

รูปภาพที่คัดลอกการสัมภาษณ์ 90 นาทีด้วยมือ หลังจากเปลี่ยนคำพูดเป็นข้อความแล้ว สิ่งถัดไปที่คุณต้องทำคือเพิ่มการระบุแหล่งที่มา: “ผู้สัมภาษณ์:”, “เรื่อง:” ไปมาทุกครั้งที่เสียงเปลี่ยน การระบุแหล่งที่มานั้น ซึ่งตัดสินใจว่าใครกำลังพูดในช่วงเวลาใดก็ตาม เป็นสิ่งที่ Diarization ทำเพื่อคุณอย่างแน่นอน

ผลลัพธ์คือการถอดเสียงในรูปแบบบทสนทนา:

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

แต่ละคำพูดเชื่อมโยงกับผู้พูดและการประทับเวลา จากนั้นคุณสามารถเปลี่ยนชื่อ ผู้พูด A และ ผู้พูด B เป็นชื่อจริงได้ การแก้ไขหนึ่งครั้งต่อผู้พูด และป้ายกำกับจะอัปเดตทุกที่ที่ปรากฏ

อีกทางเลือกหนึ่งคือการถอดเสียงธรรมดาที่ไม่มีการแยกเสียงคือบล็อกข้อความต่อเนื่องที่คุณต้องเล่นเสียงซ้ำเพื่อดูว่าใครพูดอะไร สำหรับช่วงสองสามนาทีที่ผ่านมาที่มีเสียงตั้งแต่สองเสียงขึ้นไป นั่นคือการทำงานด้วยตนเองอย่างแท้จริง และเป็นงานที่พาสไดอะไรเซชั่นจะลบออก

สิ่งที่คุณต้องการก่อนเริ่ม

ไม่มีการตั้งค่าที่ต้องกำหนดค่าและไม่ต้องติดตั้งอะไรเลย การแยกเสียงทำงานบนการบันทึก ดังนั้นข้อกำหนดเบื้องต้นที่แท้จริงเพียงอย่างเดียวคือเสียงที่ผู้พูดมีความแตกต่างพอสมควร:

• การบันทึกเดียวที่มีทุกเสียงในนั้น การแยกเสียงทำงานได้ภายในไฟล์เดียว ดังนั้นผู้พูดทั้งหมดจึงต้องแสดงอยู่ในไฟล์นั้น โต๊ะกลมที่ทุกคนใช้ไมค์ในห้องเดียวร่วมกัน คนสองคนที่แต่ละคนบันทึกไว้ในอุปกรณ์แยกของตนเอง บันทึกเป็นไฟล์สองไฟล์แยกกัน ไม่ได้บันทึก รวมสิ่งเหล่านั้นเป็นมิกซ์เดียวก่อน
• เสียงที่คมชัดเพียงพอ ไม่จำเป็นต้องมีคุณภาพระดับสตูดิโอ โดยต้องการให้แต่ละคนได้ยินเสียงโดยไม่ทำให้ตึง โดยมีการพูดคุยข้ามและเสียงรบกวนรอบข้างอย่างจำกัด ยิ่งการแยกเสียงชัดเจนเท่าไร ป้ายกำกับก็จะยิ่งสะอาดยิ่งขึ้น
• แนวคิดคร่าวๆ เกี่ยวกับจำนวนคนกำลังพูด คุณไม่จำเป็นต้องระบุสิ่งนี้ แต่การรู้ว่าสิ่งนี้จะช่วยให้คุณตรวจสอบผลลัพธ์ได้ หากคุณบันทึกเสียงคนสามคนและข้อความถอดเสียงแสดงผู้พูดหกคน คุณจะรู้ว่าต้องดูที่ไหน

แค่นั้นแหละ ไม่มีการลงทะเบียนไมโครโฟน ไม่มีตัวอย่างเสียง ไม่มีการตั้งค่าต่อผู้พูด

วิธีการทำงานของการระบุผู้พูดอัตโนมัติ

การแยกส่วนแบ่งออกเป็นขั้นตอนที่แตกต่างกันสองสามขั้นตอน การรู้จักสิ่งเหล่านี้ทำให้อ่านเอาท์พุตได้ง่ายขึ้น และแก้ไขได้ง่ายขึ้นเมื่อมีบางอย่างผิดปกติ

การแยกฟีเจอร์ เสียงจะถูกแบ่งออกเป็นเฟรมสั้น ๆ โดยทั่วไปจะอยู่ที่ 10 ถึง 40 มิลลิวินาทีต่อเฟรม และระบบจะวัดคุณสมบัติทางเสียงในทุกเฟรม คุณลักษณะที่สำคัญในการแยกผู้พูดออกจากกันนั้นอยู่ในโดเมนความถี่: ระดับเสียง รูปแบบ และรูปแบบสเปกตรัมที่มีแนวโน้มที่จะคงเส้นคงวาภายในเสียงของบุคคลหนึ่งและแตกต่างกันระหว่างบุคคล

การแบ่งส่วน ระบบจะมองหาจุดเปลี่ยนของผู้พูด: ช่วงเวลาที่ลักษณะเสียงเหล่านั้นเปลี่ยนไป นี่เป็นส่วนที่ยาก การเปลี่ยนแปลงอาจทำให้ประโยคกลางประโยคเมื่อมีคนขัดจังหวะ และเสียงหรือคำพูดที่ทับซ้อนกันสามารถซ่อนขอบเขตที่แท้จริงหรือสร้างขอบเขตที่ผิดได้

การจัดกลุ่ม กลุ่มที่ฟังดูเป็นเสียงเดียวกันจะถูกจัดกลุ่มไว้ด้วยกัน ระบบไม่ได้บอกว่ามีคนอยู่ในห้องกี่คน มันอนุมานจำนวนผู้พูดจากเสียง หากคุณทราบจำนวนล่วงหน้า การตั้งค่าบางอย่างจะช่วยให้คุณสามารถระบุได้ ถ้าไม่เช่นนั้น โปรแกรมจะประมาณค่า ซึ่งเป็นที่มาของข้อผิดพลาด “แยกหนึ่งคนออกเป็นสอง” และ “รวมคนสองคนเป็นหนึ่ง” ส่วนใหญ่

การติดฉลาก แต่ละคลัสเตอร์จะได้รับป้ายกำกับ:ผู้พูด A,ผู้พูด B,ผู้พูด C หรือ ผู้พูด 0,ผู้พูด 1. ป้ายกำกับเป็นตัวยึดตำแหน่งที่กำหนดเอง ไม่มีตัวตนอยู่เบื้องหลัง มีเพียงการจัดการที่มั่นคงสำหรับเสียงเดียวตลอดการบันทึกทั้งหมด

ไปป์ไลน์ทั้งหมดทำงานเป็นการส่งผ่านอัตโนมัติควบคู่ไปกับการถอดเสียง ดังนั้นคุณจึงไม่ต้องทำงานแยกป้ายกำกับผู้พูดแยกต่างหาก

Diarization เทียบกับการจดจำเสียง

ทั้งสองนี้สับสนอยู่ตลอดเวลา แต่จะตอบคำถามที่แตกต่างกัน

Diarization ถาม: ใครกำลังพูดอยู่ในขณะนี้ เทียบกับเสียงอื่นๆ ในไฟล์นี้ แยกเสียงต่างๆ แต่ไม่รู้ว่าเป็นของใคร ไม่จำเป็นต้องมีความรู้มาก่อนและไม่ต้องบันทึกเสียงใดๆ หลังจากงานเสร็จสิ้น

การจดจำเสียง หรือที่เรียกว่าการระบุผู้พูดถามว่า: นี่คือบุคคลเดียวกับในบันทึกอ้างอิงที่รู้จักหรือไม่ จำเป็นต้องมีตัวอย่างเสียงที่ลงทะเบียนไว้เพื่อเปรียบเทียบ และเป็นเทคโนโลยีที่อยู่เบื้องหลังระบบ “ยืนยันตัวตนของคุณด้วยเสียง”

Hushscript ใช้การแยกเสียง ไม่ใช่ การจดจำเสียง ไม่มีฐานข้อมูลเสียงที่ลงทะเบียนไว้ และการบันทึกของคุณจะไม่ถูกเปรียบเทียบกับของผู้อื่น ป้ายกำกับผู้พูดได้มาจากลักษณะเสียงในไฟล์นั้นล้วนๆ

ความแตกต่างนี้เป็นสาเหตุที่ทำให้ไม่สามารถตั้งชื่อบุคคลให้กับคุณได้ สามารถพูดได้อย่างมั่นใจว่า “คนคนเดียวกันพูด 200 รอบตลอดทั้งชั่วโมง” แต่ไม่สามารถพูดได้ว่าใครคนนั้นคือใคร ขั้นตอนนั้นเป็นของคุณ และใช้เวลาคลิกหนึ่งครั้งต่อผู้พูดหนึ่งคน หากคุณต้องการดูวิธีที่ Hushscript จัดการกับการบันทึกที่มีผู้พูดหลายคนแบบ end-to-end ให้ละเอียดยิ่งขึ้น หน้าระบุผู้พูดก็ครอบคลุมเนื้อหานี้

ตัวอย่างข้างต้น: การประชุมสามคน

สมมติว่าคุณบันทึกการประชุมโครงการ 40 นาทีที่มีคนสามคนในห้องเดียวโดยใช้ไมโครโฟนแล็ปท็อปตัวเดียวบันทึกเป็นตัวเดียว .m4a ไฟล์ คุณวางมันลงไป และหลังจากการถอดเสียง ผลลัพธ์จะเป็นดังนี้:

ผู้พูด A [00:00:04]: โอเค มาเริ่มด้วยวันที่เปิดตัวกันดีกว่า เราอยู่ไหน
ผู้พูด B [00:00:09]: ออกแบบเสร็จแล้ว. เราส่งมอบหน้าจอสุดท้ายให้แล้วในวันจันทร์
ผู้พูด C [00:00:14]: ฝ่ายวิศวกรรมต้องใช้เวลาอีกประมาณสองสัปดาห์สำหรับขั้นตอนการชำระเงิน
ผู้พูด A [00:00:21]: สองสัปดาห์ทำให้เราเลยวันที่ที่เราสัญญาไว้ว่าจะทำการตลาด
ผู้พูด B [00:00:27]: สามารถ เราจัดส่งโดยไม่มีขั้นตอนการชำระเงินใหม่และติดตามผล?
ผู้พูด C [00:00:33]: ไม่หมดจด. ขั้นตอนแบบเก่าขัดกับการกำหนดราคาใหม่

เสียงสามเสียง แยกจากกันและติดป้ายกำกับ โดยจะมีการประทับเวลาในทุกเทิร์น ตอนนี้คุณเปลี่ยนชื่อใหม่:ผู้พูด A กลายเป็น “ปรียา” (เธอเป็นผู้ดำเนินการประชุม),ผู้พูด B กลายเป็น “ทอม”ผู้พูด C กลายเป็น “ดาน่า” หลังจากการคลิกสามครั้ง ทุกบรรทัดจะมีชื่อจริง และข้อความถอดเสียงก็พร้อมที่จะวางลงในบันทึกการประชุมพร้อมระบุแหล่งที่มาที่ถูกต้องตลอด

รูปแบบเดียวกันนี้ใช้สำหรับการสัมภาษณ์สองคน พอดแคสต์สี่คน หรือการโทรศัพท์สองฝ่าย: ระบบจะแยกสิ่งที่ได้ยินและคุณใส่ชื่อ

วิธีติดป้ายกำกับผู้พูดใหม่ใน Hushscript

ป้ายกำกับมาถึงแบบทั่วไปโดยตั้งใจ การตั้งชื่อเป็นขั้นตอนแก้ไขด่วน ขั้นตอนก่อนที่คุณจะไปถึงที่นั่น: วางไฟล์ของคุณและแสดงตัวอย่างที่มีป้ายกำกับผู้พูด 30 วินาทีโดยไม่จำเป็นต้องใช้บัญชี ลงทะเบียนเพื่อถอดเสียงส่วนที่เหลือ จากนั้นเปิดข้อความถอดเสียงที่เสร็จแล้ว จากตรงนั้น:

1. คลิกป้ายกำกับผู้พูดใดก็ได้ในตัวแก้ไขการถอดเสียง เช่น ผู้พูด B
2. พิมพ์ชื่อจริง เช่น “Tom”
3. ทุกอินสแตนซ์ของผู้พูดนั้นจะอัปเดตพร้อมกันตั้งแต่บรรทัดแรกไปจนถึงบรรทัดสุดท้าย

การเปลี่ยนชื่อเป็นแบบสากล ดังนั้นคุณจึงไม่ต้องแก้ไขเหมือนเดิม ติดป้ายกำกับสองครั้ง สำหรับการสัมภาษณ์ 90 นาทีกับวิทยากรสองคน บัตรผ่านการเปลี่ยนป้ายกำกับใหม่ทั้งหมดจะใช้เวลาไม่ถึงหนึ่งนาที และคุณจะได้สำเนาพร้อมใบเสนอราคาที่อธิบายทุกบรรทัดอย่างถูกต้อง จากนั้น คุณสามารถส่งออกไฟล์ดังกล่าวโดยมีชื่ออยู่ในรูปแบบใดก็ได้จากทั้งหมด 21 รูปแบบ เช่น TXT, SRT, DOCX, PDF และ JSON รวมถึง .husharchive ที่ป้องกันด้วยรหัสผ่าน

การแก้ไขปัญหาการแยกเสียงทั่วไป

การแยกเสียงมีความน่าเชื่อถือในการบันทึกที่สะอาดและจะยากขึ้นเมื่อเสียงเลอะเทอะ ปัญหาที่พบบ่อยและสิ่งที่ต้องทำ:

คำพูดที่ทับซ้อนกัน เมื่อคนสองคนพูดพร้อมกัน กลไกจะต้องกำหนดเสียงที่ทับซ้อนกันให้กับผู้พูดตัวเดียว และอาจติดป้ายกำกับครอสโอเวอร์ผิดหรือปล่อยคำสองสามคำออกไป ไม่มีการแก้ไขในซอฟต์แวร์ เสียงมีสองเสียงในเวลาเดียวกันอย่างแท้จริง การป้องกันคือกุญแจสำคัญ: การบันทึกที่ผู้คนผลัดกันแยกแยะได้อย่างหมดจดมากกว่าการบันทึกที่เต็มไปด้วยการขัดจังหวะ ในกรณีที่มีการทับซ้อนกัน การอ่านอย่างรวดเร็วกับเสียงจะจับบรรทัดที่ได้รับผลกระทบ

เสียงที่ฟังดูคล้ายกัน ผู้พูดสองคนที่มีระดับเสียงใกล้เคียงกันและสำเนียง (เช่น ชายสองคนที่อายุเท่ากันหรือเป็นพี่น้องกัน) จะแยกได้ยากกว่าคู่ที่ตัดกัน เนื่องจากลักษณะเสียงของพวกเขาทับซ้อนกันอย่างแท้จริง ระบบอาจสลับการเลี้ยวระหว่างระบบเป็นบางครั้ง สแกนบทถอดเสียงเพื่อหาบรรทัดที่อ่านผิดปกติสำหรับผู้พูดที่ได้รับมอบหมาย สิ่งเหล่านี้คือสิ่งที่ต้องมอบหมายใหม่ด้วยตนเอง

หนึ่งคนแบ่งออกเป็นสองป้ายกำกับ หากเสียงของใครบางคนเปลี่ยนระหว่างการบันทึก (พวกเขาจะขยับเข้าใกล้ไมโครโฟนมากขึ้น เปลี่ยนจากชุดหูฟังเป็นโหมดลำโพง หรือคุณภาพการเชื่อมต่อลดลง) ระบบสามารถมองเสียงในช่วงครึ่งหลังว่าเป็นเสียงใหม่และสร้างป้ายกำกับเพิ่มเติมได้ รวมทั้งสองเข้าด้วยกันโดยติดป้ายกำกับทั้งสองให้เป็นชื่อเดียวกัน ป้ายที่ซ้ำกันจะรวมเป็นผู้พูดคนเดียว

คนสองคนรวมกันเป็นป้ายกำกับเดียว สิ่งที่ตรงกันข้ามจะเกิดขึ้นเมื่อเสียงสองเสียงที่เงียบหรือห่างไกลฟังดูเหมือนกันเกินกว่าที่ระบบจะแยกออก วิธีนี้แก้ไขได้ยากที่สุดหลังจากเกิดเหตุการณ์ดังกล่าว ดังนั้นจึงควรป้องกัน: นำไมโครโฟนเข้าใกล้ผู้พูดมากขึ้น และหลีกเลี่ยงการบันทึกจากอีกฟากหนึ่งของห้องขนาดใหญ่

เสียงระยะไกลหรือมีเสียงดัง ไมโครโฟนของแล็ปท็อปที่ปลายโต๊ะประชุม โทรศัพท์บนโต๊ะระหว่างการแชทเป็นกลุ่ม หรือห้องที่มีเสียงดัง ล้วนแต่ทำให้ขอบเขตระหว่างเสียงพร่ามัว การวางตำแหน่งไมโครโฟนให้ชิดยิ่งขึ้นช่วยให้ผู้พูดทุกคน และการลดเสียงรบกวนรอบข้าง (พัดลม การจราจร เพลง) จะทำให้การแยกเสียงคมชัดยิ่งขึ้น คุณภาพการแยกเสียงจะติดตามคุณภาพเสียงอย่างใกล้ชิด

การโทรที่บันทึกเป็นไฟล์สองไฟล์แยกกัน หากเครื่องบันทึกของคุณบันทึกการโทรแต่ละด้านเป็นไฟล์โมโนของตัวเอง การแยกเสียงในไฟล์ใดไฟล์หนึ่งเพียงอย่างเดียวจะเห็นเพียงเสียงเดียว รวมทั้งสองเป็นการบันทึกแบบผสมเดียวก่อน เพื่อให้เสียงทั้งสองปรากฏในไฟล์เดียว จากนั้นจึงถอดเสียงนั้น

เคล็ดลับความแม่นยำที่ขยับเข็มได้จริง

นิสัยบางอย่างทำให้การเขียนลวก ๆ ดีขึ้นอย่างเห็นได้ชัด และส่วนใหญ่เกี่ยวกับการบันทึก ไม่ใช่ซอฟต์แวร์:

• ให้ผู้คนผลัดกัน การพูดคุยข้ามเป็นสิ่งเดียวที่ใหญ่ที่สุด แหล่งที่มาของข้อผิดพลาดในการแปลงข้อมูล การอภิปรายแบบกลั่นกรองจะชนะการสนทนาแบบฟรีสำหรับทุกคน
• เข้าใกล้ไมโครโฟนมากขึ้น ระยะห่างและห้องสะท้อนเสียงที่พร่ามัวพร้อมกัน ไมโครโฟนปิดต่อคนเหมาะอย่างยิ่ง ไมโครโฟนที่ใช้ร่วมกันที่อยู่ตรงกลางโต๊ะจะดังขึ้นที่มุมห้อง
• ตัดเสียงรบกวนรอบข้างที่ชัดเจน เพลง พัดลมที่วิ่งอยู่ หรือร้านกาแฟที่พลุกพล่าน ต่างก็แข่งขันกับเสียงเหล่านั้นและทำให้ขอบเขตเต็มไปด้วยโคลน
• ใส่ทุกเสียงลงในไฟล์ที่คุณถอดเสียง การแยกแยะจะเปรียบเทียบผู้พูดในการบันทึกเดียว หากเครื่องบันทึกสร้างแทร็กของผู้เข้าร่วมแยกกัน ให้ผสมหรือรวมเป็นไฟล์เดียวก่อน เพื่อให้บัตรผ่านการเขียนสามารถได้ยินบทสนทนาทั้งหมด

ไม่จำเป็นต้องสมบูรณ์แบบ การเลี้ยวที่ชัดเจนและตำแหน่งไมโครโฟนที่เหมาะสมช่วยให้การบันทึกส่วนใหญ่สะอาดหมดจด และผู้แก้ไขจะจัดการส่วนที่เหลือ

เหตุใดจึงสำคัญสำหรับการสัมภาษณ์และการประชุม

หากไม่มีการบิดเบือน การถอดเสียงการสนทนาแบบหลายคนแทบจะใช้ไม่ได้สำหรับงานทั่วไปส่วนใหญ่:

• คำพูดโดยตรง คุณไม่สามารถอ้างอิงคำพูดของใครบางคนได้หากคุณ ไม่รู้ว่าบรรทัดไหนเป็นของพวกเขา
• การระบุแหล่งที่มาแบบสรุป สรุปการประชุมที่ไม่ได้บอกว่าใครพูดสิ่งที่แทบจะไม่มีประโยชน์มากกว่าการสรุปเลย
• การค้นหาโดยผู้พูด หากคุณกำลังตามหาบางสิ่งที่คนๆ หนึ่งพูด คุณจะไม่สามารถกรองบล็อกข้อความที่ไม่แตกต่างเพียงบล็อกเดียวได้

ด้วยการแยกแยะ แต่ละสิ่งเหล่านี้จะตรงไปตรงมา และการถอดเสียงจะกลายเป็นเอกสารแทนที่จะเป็นข้อความดิบ สำหรับสิ่งใดก็ตามที่จะถูกตีพิมพ์หรืออ้างอิง ไม่ว่าจะเป็นวารสารศาสตร์ งานวิจัย หรือบันทึกรายการพอดแคสต์ การระบุแหล่งที่มาที่ถูกต้องไม่ใช่ทางเลือก และการรับจากข้อความถอดเสียงแทนที่จะสร้างใหม่จากเสียงคือจุดที่ประหยัดเวลา สำหรับงานภายใน เช่น บันทึกการประชุม การวิจัยการสัมภาษณ์ หรือบันทึกด้านทรัพยากรบุคคล โครงสร้างที่มีป้ายกำกับก็มีประโยชน์ไม่แพ้กัน การสแกนบทสนทนาทำได้เร็วกว่าการอ่านข้อความมากมาย

สำหรับคำแนะนำโดยละเอียดในบริบท โปรดดูวิธีถอดเสียงบทสัมภาษณ์ ซึ่งครอบคลุมการบันทึก การถอดเสียง และการติดป้ายกำกับใหม่สำหรับวารสารศาสตร์และการวิจัย และ วิธีถอดเสียง พอดแคสต์สำหรับการติดป้ายกำกับผู้ดำเนินรายการและแขกรับเชิญในแต่ละตอน

ป้ายกำกับผู้พูดไม่มีค่าใช้จ่ายเพิ่มเติมในการถอดเสียง Hushscript ทุกรายการ

การแยกเสียงของผู้พูดจะรวมอยู่ในการถอดเสียง Hushscript ทุกรายการโดยไม่มีค่าใช้จ่ายเพิ่มเติม ไม่มีส่วนเสริมการเขียนไดอะไรเซชัน ไม่มีระดับแผนแยกต่างหาก และไม่มีการจำกัดจำนวนผู้พูดในการบันทึกหนึ่งๆ Hushscript เป็นแบบจ่ายตามการใช้งานโดยไม่ต้องสมัครสมาชิก มีเวลาทดลองใช้ฟรี 30 นาที และคุณจะจ่ายเฉพาะนาทีที่คุณใช้หลังจากนั้นเท่านั้น ดูรายละเอียดในหน้าราคา

การแยกผู้พูดทำได้ฟรีเพราะการถอดเสียงบทสนทนาที่ไม่มีบทสนทนาเป็นเพียงครึ่งการถอดเสียงเท่านั้น ซึ่งเป็นข้อความที่อ่านได้โดยไม่รู้ว่าใครเป็นผู้พูด วางการบันทึก รับป้ายกำกับโดยอัตโนมัติ เปลี่ยนชื่อได้ในคลิกเดียว และส่งออกผลลัพธ์ ข้อมูลเพิ่มเติมเกี่ยวกับความลงตัวทั้งหมดอยู่ที่หน้า เสียงเป็นข้อความ