Cómo funciona la separación de hablantes y dónde falla

Qué escucha realmente el modelo

Un modelo de transcripción convierte sonido en palabras. La separación de hablantes responde a otra pregunta: quién hablaba en cada momento. El sistema corta el audio en fragmentos cortos, convierte cada uno en una huella numérica de la voz y agrupa las huellas que se parecen entre sí. Cada grupo se convierte en una etiqueta de hablante. En ningún punto del proceso se conoce el nombre de nadie: solo se sabe que esta voz no es aquella voz.

Dónde falla

Tres situaciones explican la mayoría de los errores.

• Solapamiento. Cuando dos personas hablan a la vez, el fragmento lleva dos voces y cae en el grupo al que más se parece.
• Turnos cortos. Un «sí» de una sola palabra da muy poco material para la huella, y las interjecciones breves son lo primero que se etiqueta mal.
• Voces parecidas. Dos personas de la misma edad, género y acento, grabadas con el mismo micrófono, pueden fundirse en una sola etiqueta.

Las condiciones de grabación pesan más que el modelo. Una reunión captada con el micrófono de un portátil en una sala con eco es mucho más difícil que la misma reunión grabada con un canal por participante.

Qué hacer

Corregir las etiquetas después es más rápido que pelearse con la grabación. En WhoScribe renombras a un hablante una vez y todas sus líneas adoptan el nuevo nombre.

Lee con atención el primer minuto. Los saludos y las presentaciones son donde más se intercambian las etiquetas, y corregirlas pronto hace que el resto de la transcripción se lea bien.

Si sabes cuántas personas hay en la sala, indícalo. Un modelo al que se le dice que hay tres voces no inventará una cuarta a partir del ruido de fondo.