Come funziona la separazione dei parlanti — e dove sbaglia

Che cosa ascolta davvero il modello

Un modello di trascrizione trasforma il suono in parole. La separazione dei parlanti risponde a un’altra domanda: chi stava parlando in ciascun momento. Il sistema taglia l’audio in brevi segmenti, trasforma ognuno in un’impronta numerica della voce e raggruppa le impronte che si somigliano. Ogni gruppo diventa un’etichetta di parlante. In nessun punto del processo si conosce il nome di qualcuno: si sa soltanto che questa voce non è quella voce.

Dove sbaglia

Tre situazioni spiegano la maggior parte degli errori.

• Sovrapposizione. Quando due persone parlano insieme, il segmento contiene due voci e finisce nel gruppo a cui somiglia di più.
• Turni brevi. Un «sì» di una parola offre pochissimo materiale all’impronta, e le brevi interiezioni sono le prime a essere etichettate male.
• Voci simili. Due persone della stessa età, dello stesso genere e con lo stesso accento, registrate dallo stesso microfono, possono confluire in un’unica etichetta.

Le condizioni di registrazione pesano più del modello. Una riunione ripresa dal microfono di un portatile in una stanza che riverbera è molto più difficile della stessa riunione registrata con un canale per partecipante.

Che cosa fare

Correggere le etichette dopo è più rapido che combattere con la registrazione. In WhoScribe rinomini un parlante una volta e tutte le sue righe prendono il nuovo nome.

Leggi con attenzione il primo minuto. Saluti e presentazioni sono il punto in cui le etichette si scambiano più spesso: correggerle subito significa leggere correttamente tutto il resto.

Se sai quante persone ci sono, dillo. Un modello a cui si annunciano tre voci non ne inventerà una quarta a partire dal rumore di fondo.