वक्ता पहचान कैसे काम करती है — और कहाँ चूक जाती है

मॉडल असल में किसे सुनता है

ट्रांसक्रिप्शन मॉडल ध्वनि को शब्दों में बदलता है। वक्ता पहचान एक अलग सवाल का जवाब देती है: किस क्षण कौन बोल रहा था। सिस्टम ऑडियो को छोटे टुकड़ों में काटता है, हर टुकड़े को आवाज़ की एक संख्यात्मक छाप में बदलता है, और मिलती-जुलती छापों को समूह में रखता है। हर समूह एक वक्ता लेबल बन जाता है। इस पूरी प्रक्रिया में किसी का नाम नहीं जाना जाता — बस इतना कि यह आवाज़ वह आवाज़ नहीं है।

कहाँ चूक जाती है

अधिकांश ग़लतियाँ तीन स्थितियों से आती हैं।

• ओवरलैप। जब दो लोग एक साथ बोलते हैं, तो टुकड़े में दो आवाज़ें होती हैं और वह उसी समूह में चला जाता है जिससे वह ज़्यादा मिलता है।
• छोटी बारी। एक शब्द का «हाँ» छाप बनाने के लिए बहुत कम सामग्री देता है, और छोटे टोकने सबसे पहले ग़लत लेबल पाते हैं।
• मिलती-जुलती आवाज़ें। एक ही उम्र, लिंग और लहजे वाले दो वक्ता, एक ही माइक्रोफ़ोन पर रिकॉर्ड होने पर, एक ही लेबल में सिमट सकते हैं।

रिकॉर्डिंग की परिस्थितियाँ मॉडल से ज़्यादा मायने रखती हैं। गूँजते कमरे में एक लैपटॉप माइक से पकड़ी गई बैठक, उसी बैठक की तुलना में कहीं कठिन है जिसमें हर प्रतिभागी का अपना चैनल हो।

क्या करें

बाद में लेबल ठीक करना, रिकॉर्डिंग से जूझने से तेज़ है। WhoScribe में आप वक्ता का नाम एक बार बदलते हैं और उसकी हर पंक्ति नया नाम अपना लेती है।

पहला मिनट ध्यान से पढ़ें। अभिवादन और परिचय वाले हिस्से में लेबल सबसे ज़्यादा उलटते हैं; वहाँ जल्दी सुधार कर लेने का अर्थ है कि बाक़ी ट्रांसक्रिप्ट सही पढ़ी जाएगी।

अगर आपको पता है कि कमरे में कितने लोग हैं, तो बता दें। जिस मॉडल को तीन आवाज़ों की जानकारी दी गई हो, वह पृष्ठभूमि के शोर से चौथी नहीं गढ़ेगा।