يحوّل تمييز المتحدثين كتلة واحدة من النص المفرّغ إلى محادثة: الموظف، ثم العميل، ثم الموظف مجددًا.
كيف يعمل
يمر مسار تمييز المتحدثين عادةً بثلاث مراحل:
- العثور على الكلام. يحدد كشف النشاط الصوتي مواضع كلام أي شخص.
- تضمين نوافذ قصيرة. يحوّل نموذج تضمين المتحدثين كل شريحة إلى متجه يلتقط خصائص الصوت.
- التجميع. تحصل الشرائح ذات المتجهات المتشابهة على الوسم نفسه، ويُعالَج الكلام المتداخل حيث يدعمه النموذج.
يستقبل مسار pyannote المفتوح speaker-diarization-3.1 على Hugging Face صوتًا أحادي القناة بتردد 16 kHz (يدمج الاستيريو في قناة واحدة ويعيد أخذ العينات للترددات الأخرى)، ويكتب النتائج بصيغة RTTM، وهي صيغة نصية بسيطة بسطر لكل دور متحدث. يعطي سطر RTTM الملف والقناة ووقت البدء والمدة ووسم المتحدث:
SPEAKER call42 1 0.00 4.21 <NA> <NA> SPEAKER_00 <NA> <NA>
SPEAKER call42 1 4.35 2.80 <NA> <NA> SPEAKER_01 <NA> <NA>
وتذكر بطاقة النموذج معدل خطأ تمييز المتحدثين (DER) لكل معيار قياس، من 7.8% على REPERE إلى 50.0% على AVA-AVD، و11.3% على VoxConverse. ويُظهر هذا التفاوت مدى اعتماد النتائج على الصوت: الاجتماعات والتلفزيون والمكالمات الهاتفية تتصرف بشكل مختلف.
وبعض الواجهات المستضافة تفعل ذلك نيابةً عنك. يوثّق دليل OpenAI لتحويل الكلام إلى نص نموذجًا لتمييز المتحدثين هو gpt-4o-transcribe-diarize، باستجابة diarized_json تحمل مقاطعها الحقول speaker وstart وend، مع مقاطع مرجعية اختيارية مدتها من 2 إلى 10 ثوانٍ لما يصل إلى أربعة متحدثين معروفين. وتدرج OpenAI هذا النموذج ضمن النماذج الموقوفة تدريجيًا، ويُغلق في 26 فبراير 2027، ولا يوثّق دليلها (رُوجع في 2026-11-15) وسوم المتحدثين في أي نموذج آخر.
لماذا يهم
- مراكز الاتصال والمقابلات. مراجعة الجودة والامتثال والملخصات كلها تحتاج إلى معرفة من قال ماذا.
- العمل اللاحق بنماذج اللغة. أمر التلخيص الذي يحوي أدوارًا مثل “Agent:” و”Customer:” يعطي إجابات أفضل من كتلة نص واحدة.
- التكلفة. تمييز المتحدثين حوسبة إضافية، تُسعَّر منفصلةً أو ضمن الحزمة بحسب المزوّد. ويوضح مؤشر أسعار واجهات تحويل الكلام إلى نص أي المزوّدين يتقاضون رسومًا إضافية عليه.
في BroadNet Inference
لا تذكر وثائق BroadNet تمييز المتحدثين. تُرجع نقطة نهاية التفريغ الصوتي {"text": "..."} فقط، دون وسوم متحدثين أو طوابع زمنية. والنمط العملي هو تشغيل أداة تمييز مفتوحة مثل pyannote محليًا، وقص الصوت عند كل دور متحدث باستخدام ffmpeg، وإرسال كل مقطع إلى BroadNet Transcribe Arabic أو BroadNet Transcribe مع ضبط language. وإذا كان الطرفان على قناتَي استيريو منفصلتين، فافصل القناتين بدلًا من ذلك؛ ولا يحتاج هذا إلى أي نموذج. راجع تفريغ تسجيلات مراكز الاتصال لسير العمل الكامل.