Přepis porady se třemi kolegy nebo rozhovoru se dvěma respondenty vypadá jinak než přepis monologu — pokud nevíte, kdo přesně co řekl, je i dokonale přesný text téměř k ničemu. Řešením je rozpoznávání mluvčích, technicky známé jako diarizace: proces, který v nahrávce automaticky rozliší jednotlivé hlasy a označí, kdo mluví kdy. V tomto článku vysvětlíme, jak diarizace funguje, kde má limity a kdy se skutečně vyplatí zapnout ji u vašeho přepisu.

V tomto článku se podíváme na to, co diarizace přesně dělá, jak probíhá krok za krokem, kde má technologie své limity, u jakých typů nahrávek se rozpoznávání mluvčích vyplatí nejvíc a jak si sami zvýšit šanci na přesnější výsledek.

Co přesně je diarizace

Diarizace je proces rozpoznávání a oddělení mluvčích v jednokanálovém zvukovém záznamu — jinými slovy, systém poslouchá zvuk a snaží se ho rozdělit podle hlasů bez toho, aby předem věděl, kolik lidí v nahrávce mluví nebo kdo to je. Výsledkem je časová osa označená jako „Mluvčí 1“, „Mluvčí 2“ atd., kterou pak AI přepis spojí s textem jednotlivých vět.

Diarizace neřeší, KDO je mluvčí jménem — pouze KTERÝ hlas patří ke které pasáži textu. Přiřazení jmen ke „Mluvčí 1“ a „Mluvčí 2“ pak uděláte vy sami při rychlé kontrole přepisu.

Jak rozpoznávání mluvčích funguje krok za krokem

  1. Analýza zvukové stopy — systém převede zvuk na číselná data, ze kterých se učí rozpoznávat charakteristiky jednotlivých hlasů (výšku, barvu, tempo řeči).
  2. Segmentace podle mluvčího — nejprve proběhne diarizace, která určí, kdo a kdy mluví, ještě předtím, než se řeč vůbec začne převádět na text.
  3. Přiřazení textu k segmentům — teprve poté systém přepíše samotnou řeč a spojí ji se správným mluvčím.
  4. Označení mluvčích v přepisu — výsledný text obsahuje jasně oddělené repliky s označením „Mluvčí 1“, „Mluvčí 2“ apod., podle počtu hlasů v konverzaci.

Moderní služby dokážou v jedné nahrávce rozlišit desítky různých mluvčích — u online konferenčního hovoru se sice běžně setkáte jen s hrstkou účastníků, ale technologie zvládá i mnohem větší skupiny, například u panelových diskuzí nebo soudních jednání.

Diarizace vs. rozpoznání identity mluvčího — nejde o totéž

Snadno se stane, že si diarizaci spleteme s technologií, která pozná konkrétní osobu podle hlasu (tzv. voice ID nebo rozpoznání identity mluvčího). Jde ale o dvě odlišné věci:

  • Diarizace pouze rozliší, kolik různých hlasů se v nahrávce objevuje a kdy který z nich mluví — nepotřebuje k tomu žádnou předchozí znalost o tom, kdo je kdo.
  • Rozpoznání identity mluvčího by musel systém předem znát „hlasový otisk“ konkrétní osoby (například z dřívější nahrávky), aby mohl v nové nahrávce poznat, že jde o Jana Nováka, a ne jen o „Mluvčí 2“.

Naprostá většina běžných nástrojů pro přepis — včetně těch, které používáte pro porady, rozhovory nebo přednášky — pracuje s diarizací, nikoli s rozpoznáním konkrétní identity. To je pro běžné pracovní použití i výhoda: nepotřebujete žádné předchozí „proškolení“ systému na hlasy konkrétních lidí, funguje to hned od první nahrávky.

Kde má diarizace limity

Rozpoznávání mluvčích není neomylné a má několik typických slabých míst, o kterých je dobré vědět předem:

  • Přerušování a mluvení přes sebe — když si dva lidé skáčou do řeči, systém má problém přesně určit hranici mezi jejich replikami.
  • Krátké zvuky jako kašel nebo posunutí sklenice — občas si je systém splete s novým mluvčím, takže se v přepisu objeví o mluvčího víc, než kolik jich ve skutečnosti bylo.
  • Podobné hlasy — dva mluvčí s podobnou barvou hlasu (např. sourozenci nebo lidé stejného věku a přízvuku) se hůř rozliší než hlasy s výraznějším rozdílem.
  • Šum na pozadí — hluk z ulice, klimatizace nebo špatné mikrofony snižují přesnost jak přepisu, tak samotné diarizace.
  • Dialekt a přízvuk — silný regionální přízvuk může u některých systémů mírně snížit přesnost jak přepisu textu, tak rozpoznání mluvčích.

V praxi to znamená, že u nahrávek s více mluvčími se vyplatí po přepisu provést rychlou kontrolu — zejména na místech, kde si lidé skáčou do řeči nebo kde se v místnosti ozve nečekaný zvuk.

Kdy se rozpoznávání mluvčích skutečně vyplatí

Praktické tipy pro lepší přesnost rozpoznávání mluvčích

  • Použijte kvalitní mikrofon nebo se ujistěte, že jsou účastníci porady dostatečně blízko zařízení, které nahrává.
  • Omezte přerušování, pokud je to možné — u rozhovorů a řízených diskuzí pomáhá jasné pravidlo „mluví jeden po druhém“.
  • Nahrávejte v tichém prostředí — vypnuté oznamovací tóny, zavřené okno, vypnutá klimatizace na maximální výkon.
  • Zkontrolujte přepis hned po jeho vytvoření — nejčastější chyby se objevují v prvních větách, než se systém „sladí“ s hlasy v místnosti.

Praktické případy použití v běžné praxi

  • Pracovní porady — kdo se k čemu zavázal a do kdy je nejčastější otázka, na kterou se lidé po poradě vracejí; přepis s označením mluvčích na ni odpovídá okamžitě.
  • Rozhovory pro novináře a výzkumníky — u rozhovoru s jedním respondentem diarizace usnadní rychlé oddělení otázek tazatele od odpovědí dotazovaného.
  • Zákaznická podpora a call centra — u nahrávek hovorů s klienty pomáhá diarizace rychle najít pasáž, kde klient formuloval svůj konkrétní požadavek nebo stížnost.
  • Vzdělávací a školicí nahrávky — u diskuzí s více účastníky umožňuje diarizace zpětně dohledat, kdo z účastníků měl jaký dotaz nebo připomínku.

Ve všech těchto případech platí totéž pravidlo: čím více mluvčích nahrávka obsahuje, tím větší časovou úsporu diarizace přináší — u nahrávky s jedním mluvčím je jen technickou třešničkou na dortu, u nahrávky s pěti účastníky porady je rozdílem mezi použitelným a nepoužitelným přepisem.

Časté dotazy

Pozná AI přepis jména mluvčích automaticky?

Ne, systém rozpozná pouze odlišné hlasy a označí je jako Mluvčí 1, Mluvčí 2 atd. Přiřazení skutečných jmen k jednotlivým mluvčím je krok, který uděláte sami při rychlé kontrole hotového přepisu.

Funguje diarizace i u telefonních hovorů nahraných na jeden kanál?

Ano, diarizace je navržena přesně pro tento případ — pro jednokanálové nahrávky, kde všechny hlasy přicházejí ze stejné zvukové stopy a systém je musí rozlišit sám, bez pomoci oddělených mikrofonů.

Kolik mluvčích dokáže systém rozlišit v jedné nahrávce?

Moderní služby zvládají rozlišit i několik desítek různých hlasů v jedné nahrávce, což pokryje běžné porady i větší panelové diskuze — u typické pracovní porady se čtyřmi až šesti účastníky je přesnost obvykle velmi vysoká.

Zlepší diarizaci to, když si účastníci porady sednou dál od sebe?

Ne nutně — důležitější než fyzická vzdálenost je kvalita zvuku, kterou nahrávací zařízení zachytí. Pokud všichni mluví do jednoho mikrofonu (např. na notebooku uprostřed stolu), vzdálenost od mikrofonu ovlivňuje hlasitost jednotlivých hlasů a tím i přesnost rozpoznání.

Vyplatí se diarizace i u krátkého hovoru na pár minut?

Ano, pokud hovor zahrnuje více než jednoho mluvčího — časová úspora u krátkého hovoru je sice menší v absolutních číslech, ale procentuálně stejně výrazná jako u dlouhé porady, protože ruční dohledávání toho, kdo co řekl, zabírá čas bez ohledu na délku nahrávky.

Můžu diarizaci zapnout nebo vypnout podle typu nahrávky?

V dobrém nástroji pro přepis by měla být diarizace dostupná jako volitelná funkce — u monologu ji jednoduše nevyužijete, u porady nebo rozhovoru s více účastníky ji naopak zapnete, aniž byste museli měnit celý pracovní postup nebo nahrávat jinak.

Transkripce.cz rozpoznává jednotlivé mluvčí automaticky a přepis porady nebo rozhovoru s více účastníky doručí během několika minut. Vyzkoušejte první přepis zdarma na transkripce.cz.