話者ダイアリゼーション(話者ラベル)

ダイアリゼーションは、録音の中で誰がいつ話したのかを割り出し、話者1や話者2のように、発話の区間ごとに話者ラベルを付けます。

  • モデルとアーキテクチャ
  • 更新日

普通の文字起こしはただのひとかたまりのテキストです。ダイアリゼーションは話者ラベルを加え、会議やインタビュー、通話が会話のように読めるようにします。文字起こしモデルと並行して実行する別のモデルでもよいし、音声モデルに組み込まれていてもよく、後者の例がマイクロソフトのVibeVoice-ASRやNVIDIAのNemotron 3.5 Transcribeで、どちらも話者ラベルを返します。

ラベルは匿名です。モデルは「別の人が話した」ということだけを伝え、誰なのかは分かりません。発話の重なり、話者の多さ、音質の悪さがあると精度は落ちるため、頼りにする前に自分の録音のサンプルを聞いてみてください。

関連用語

  • 音声認識(ASR、音声文字起こし) 音声認識はASRや音声文字起こしとも呼ばれ、話された音声を書かれたテキストに変換します。
  • 単語エラー率(WER) 単語エラー率は音声認識の標準的な評価スコアです。正しい参考文と比べて、転写のうち誤っている語、欠けている語、余分な語の割合を示します。

すべての用語