تفکیک گویندگان چیست؟

تفکیک گویندگان یا Speaker Diarization به فرآیندی در حوزه‌ هوش مصنوعی و پردازش گفتار اطلاق می‌شود که هدف آن شناسایی و جدا کردن بخش‌های مختلف گفتار براساس هویت گویندگان مختلف در یک محتوای صوتی است. به عبارتی، وقتی در یک فایل صوتی چند نفر صحبت می‌کنند، تفکیک گویندگان تعیین می‌کند که هر بخشِ گفتار متعلق به کدام شخص است، حتی اگر هویت دقیق اشخاص ناشناخته باشد. معمولاً این خروجی به صورت برچسب زمانی و «گوینده ۱»، «گوینده ۲» و ... همراه با بخش متنِ هر گوینده ارائه می‌شود.

کاربرد این فناوری در بسیاری از زمینه‌ها اهمیت دارد؛ مثلاً در تهیه نسخه متنی جلسات شرکت یا دانشگاه که چند نفر باهم گفتگو می‌کنند، یا در تماس‌های ضبط‌شده مراکز پاسخ‌گویی به مشتریان. با استفاده از تفکیک گویندگان می‌توان متوجه شد که چه کسی چه بخشی را صحبت کرده، بدون اینکه نیاز باشد فرد اپراتور به صورت دستی این تمایز را انجام دهد.

یک مثال ملموس: فرض کنید معلم شما جلسه‌ صوتی گروهی را در واتساپ یا اسکایپ ضبط کرده و می‌خواهد بداند هر دانش‌آموز چه پرسشی مطرح کرده یا چه پاسخی ارائه داده است. با تفکیک گویندگان، بخش‌های مربوط به هر دانش‌آموز و معلم به طور اتوماتیک جدا می‌شود.

توجه داشته باشید تفکیک گویندگان با «تشخیص گوینده» (Speaker Identification) تفاوت دارد. تشخیص گوینده تلاش می‌کند هویت مشخص یک فرد را تشخیص دهد، در حالی که تفکیک گویندگان فقط بخش‌های صوتی افراد مختلف را از یکدیگر تفکیک می‌کند؛ حتی وقتی که اطلاعاتی درباره اسم یا مشخصات گویندگان نداریم.