---
title: "स्पीकर डायराइज़ेशन क्या है? ऑडियो में कौन कब बोला | BroadRouter"
description: "स्पीकर डायराइज़ेशन रिकॉर्डिंग को बोलने वालों के हिसाब से बाँटता है, ताकि ट्रांसक्रिप्ट दिखाए कि कौन कब बोला। कैसे काम करता है, स्कोर कैसे होता है, ख़ुद कैसे जोड़ें।"
url: https://broadrouter.com/hi/glossary/diarization/
lang: hi
updated: 2026-11-16
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

यह पेज अंग्रेज़ी से AI की मदद से अनुवाद किया गया है। [अंग्रेज़ी मूल पढ़ें](https://broadrouter.com/glossary/diarization/) (2026-11-16 को अपडेट किया गया).

# स्पीकर डायराइज़ेशन (speaker diarization)

अपडेट किया गया 2026-11-16

स्पीकर डायराइज़ेशन ऑडियो रिकॉर्डिंग को बोलने वालों के हिसाब से हिस्सों में बाँटने का काम है, जो बताता है कि "कौन कब बोला"। यह बोली के हर हिस्से पर SPEAKER\_00 जैसा गुमनाम स्पीकर ID लगाता है, और आम तौर पर ट्रांसक्रिप्ट के साथ मिलाकर दिखाता है कि हर लाइन किसने कही।

अन्य नाम: स्पीकर डायराइज़ेशन, स्पीकर लेबल, कौन कब बोला, speaker diarization kya hai, speaker diarization, speaker diarisation, speaker labels, who spoke when, speaker separation, speaker segmentation

डायराइज़ेशन ट्रांसक्रिप्ट के एक बड़े ब्लॉक को बातचीत में बदल देता है: एजेंट, फिर ग्राहक, फिर दोबारा एजेंट।

## यह कैसे काम करता है

डायराइज़ेशन पाइपलाइन आम तौर पर तीन चरणों में चलती है:

1.  **स्पीच ढूँढना.** [वॉइस एक्टिविटी डिटेक्शन](https://broadrouter.com/hi/glossary/vad/) बताता है कि कहाँ कोई बोल रहा है।
2.  **छोटे हिस्सों का एम्बेडिंग.** स्पीकर-एम्बेडिंग मॉडल हर टुकड़े को एक वेक्टर में बदलता है जो आवाज़ की पहचान पकड़ता है।
3.  **क्लस्टर बनाना.** मिलते-जुलते वेक्टर वाले टुकड़ों को एक ही लेबल मिलता है, और जहाँ मॉडल सपोर्ट करे वहाँ एक साथ बोली गई स्पीच भी सँभाली जाती है।

Hugging Face पर ओपन pyannote `speaker-diarization-3.1` पाइपलाइन 16 kHz का मोनो ऑडियो लेती है (स्टीरियो को मोनो में मिलाती है और दूसरे रेट को रीसैंपल करती है) और नतीजे RTTM में लिखती है, जो हर स्पीकर की बारी के लिए एक लाइन वाला सादा टेक्स्ट फ़ॉर्मैट है। RTTM की एक लाइन फ़ाइल, चैनल, शुरू होने का समय, अवधि और स्पीकर लेबल देती है:

```text
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>
```

इसका मॉडल कार्ड हर बेंचमार्क के लिए डायराइज़ेशन एरर रेट (DER) बताता है, REPERE पर 7.8% से AVA-AVD पर 50.0% तक, और VoxConverse पर 11.3%। यह फैलाव दिखाता है कि नतीजे ऑडियो पर कितना निर्भर करते हैं: मीटिंग, TV और फ़ोन कॉल अलग-अलग व्यवहार करते हैं।

कुछ होस्टेड API यह काम आपके लिए करते हैं। OpenAI की स्पीच-टू-टेक्स्ट गाइड एक डायराइज़ेशन मॉडल, `gpt-4o-transcribe-diarize`, का वर्णन करती है, जिसका `diarized_json` रिस्पॉन्स ऐसे सेगमेंट देता है जिनमें `speaker`, `start` और `end` फ़ील्ड होते हैं, और अधिकतम चार पहचाने हुए स्पीकर के लिए 2 से 10 सेकंड के वैकल्पिक रेफ़रंस क्लिप दिए जा सकते हैं। OpenAI इस मॉडल को डिप्रिकेटेड बताता है, जो 26 फ़रवरी 2027 को बंद होगा, और उसकी गाइड (2026-11-15 को जाँची गई) किसी दूसरे मॉडल पर स्पीकर लेबल का ज़िक्र नहीं करती।

## यह क्यों मायने रखता है

-   **कॉल सेंटर और इंटरव्यू.** क्वालिटी रिव्यू, कंप्लायंस और सारांश, सबके लिए जानना ज़रूरी है कि किसने क्या कहा।
-   **आगे का LLM काम.** “Agent:” और “Customer:” वाली बारियों वाला सारांश प्रॉम्प्ट, टेक्स्ट की एक लंबी दीवार से बेहतर जवाब देता है।
-   **लागत.** डायराइज़ेशन अतिरिक्त कंप्यूट है, जिसकी कीमत प्रोवाइडर के हिसाब से अलग लगती है या पैकेज में शामिल होती है। [स्पीच-टू-टेक्स्ट API प्राइस इंडेक्स](https://broadrouter.com/data/speech-to-text-api-prices/) बताता है कि कौन-से प्रोवाइडर इसके लिए अलग पैसे लेते हैं।

## BroadNet Inference पर

BroadNet के डॉक्स में डायराइज़ेशन का ज़िक्र नहीं है। ट्रांसक्रिप्शन एंडपॉइंट सिर्फ़ `{"text": "..."}` लौटाता है, बिना स्पीकर लेबल या [टाइमस्टैम्प](https://broadrouter.com/hi/glossary/timestamps-asr/) के। एक व्यावहारिक तरीक़ा है: pyannote जैसा ओपन डायराइज़र लोकल चलाएँ, ffmpeg से हर स्पीकर की बारी पर ऑडियो काटें, और हर क्लिप `language` सेट करके [BroadNet Transcribe Arabic](https://broadrouter.com/hi/models/cohere-transcribe-arabic/) या [BroadNet Transcribe](https://broadrouter.com/hi/models/cohere-transcribe/) को भेजें। अगर दोनों पक्ष अलग स्टीरियो चैनल पर हैं, तो बस चैनल अलग कर दें; इसके लिए किसी मॉडल की ज़रूरत ही नहीं। पूरे वर्कफ़्लो के लिए [कॉल सेंटर रिकॉर्डिंग ट्रांसक्राइब करना](https://broadrouter.com/hi/blog/transcribe-call-center-recordings/) देखें।

## अक्सर पूछे जाने वाले सवाल

### क्या डायराइज़ेशन बोलने वाले का नाम बताता है?

नहीं। यह SPEAKER\_00 और SPEAKER\_01 जैसे गुमनाम लेबल लौटाता है। कुछ API, जैसे OpenAI का gpt-4o-transcribe-diarize (डिप्रिकेटेड, 26 फ़रवरी 2027 को बंद होगा), आपके दिए छोटे रेफ़रंस क्लिप से अधिकतम चार स्पीकर का मिलान कर सकते हैं।

### क्या BroadNet का ट्रांसक्रिप्शन API डायराइज़ेशन करता है?

BroadNet के डॉक्स में डायराइज़ेशन का ज़िक्र नहीं है। एंडपॉइंट ट्रांसक्रिप्ट को {"text": ...} के रूप में लौटाता है, इसलिए अगर स्पीकर की बारियाँ चाहिए तो अलग डायराइज़ेशन मॉडल चलाएँ।

### डायराइज़ेशन की सटीकता कैसे मापी जाती है?

डायराइज़ेशन एरर रेट (DER) से, जो false alarm, छूटी हुई स्पीच और स्पीकर की गड़बड़ी का समय जोड़कर उसे रेफ़रंस स्पीच के कुल समय से भाग देता है। जितना कम, उतना बेहतर।

## यह भी देखें

-   [स्पीच-टू-टेक्स्ट (speech-to-text)](https://broadrouter.com/hi/glossary/speech-to-text/) (शब्द)
-   [वॉइस एक्टिविटी डिटेक्शन (VAD)](https://broadrouter.com/hi/glossary/vad/) (शब्द)
-   [टाइमस्टैम्प (स्पीच-टू-टेक्स्ट, timestamps)](https://broadrouter.com/hi/glossary/timestamps-asr/) (शब्द)
-   [वर्ड एरर रेट (WER)](https://broadrouter.com/hi/glossary/word-error-rate/) (शब्द)
-   [सैंपल रेट (sample rate)](https://broadrouter.com/hi/glossary/sample-rate/) (शब्द)
-   [अरबी speech-to-text API, स्टेप बाय स्टेप](https://broadrouter.com/hi/guides/arabic-speech-to-text-api/) (गाइड)
-   [कॉल सेंटर रिकॉर्डिंग कैसे ट्रांसक्राइब करें: अरबी-रेडी पाइपलाइन](https://broadrouter.com/hi/blog/transcribe-call-center-recordings/) (लेख)
-   [अरबी speech-to-text API: 2026 में सही API कैसे चुनें](https://broadrouter.com/hi/blog/arabic-speech-to-text-api-buyers-guide/) (लेख)

इसे अपने असली वर्कलोड पर आज़माएँ। नए अकाउंट Gemma और ट्रांसक्रिप्शन के लिए US$5 के क्रेडिट से शुरू होते हैं। DeepSeek, GLM, और Qwen3.8 के लिए टॉप-अप ज़रूरी है।

[शुरू करें](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=hi-glossary-diarization&utm_content=page-cta) ·

**स्रोत**

-   [pyannote, Hugging Face पर speaker-diarization-3.1 मॉडल कार्ड](https://huggingface.co/pyannote/speaker-diarization-3.1)
-   [pyannote.metrics रेफ़रंस, डायराइज़ेशन एरर रेट](https://pyannote.github.io/pyannote-metrics/reference.html)
-   [OpenAI, स्पीच-टू-टेक्स्ट गाइड (diarized\_json और पहचाने हुए स्पीकर; 2026-11-15 को जाँचा गया)](https://developers.openai.com/api/docs/guides/speech-to-text)
-   [OpenAI डिप्रिकेशन, स्पीच-टू-टेक्स्ट मॉडल (2026-11-15 को जाँचा गया)](https://developers.openai.com/api/docs/deprecations)
-   [BroadNet Inference API रेफ़रंस, ट्रांसक्रिप्शन (अंग्रेज़ी में)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=hi-glossary-diarization&utm_content=sources)
