---
title: "Apa itu speaker diarization? Siapa bicara kapan dalam audio"
description: "Speaker diarization membagi rekaman per pembicara agar transkrip menunjukkan siapa berbicara kapan. Cara kerja, cara penilaian, dan cara menambahkannya sendiri."
url: https://broadrouter.com/id/glossary/diarization/
lang: id
updated: 2026-11-16
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Diterjemahkan dari bahasa Inggris dengan bantuan AI. [Baca versi asli bahasa Inggris](https://broadrouter.com/glossary/diarization/) (diperbarui 2026-11-16).

# Speaker diarization (diarisasi pembicara)

Diperbarui 2026-11-16

Speaker diarization adalah tugas membagi rekaman audio menjadi segmen per pembicara untuk menjawab "siapa berbicara kapan". Setiap potongan ucapan diberi label ID pembicara anonim seperti SPEAKER\_00, dan biasanya digabungkan dengan transkrip untuk menunjukkan siapa yang mengucapkan setiap baris.

Disebut juga: speaker diarization, diarisasi, diarisasi pembicara, label pembicara, pemisahan pembicara, siapa bicara kapan, speaker diarisation, speaker labels, who spoke when, speaker separation, speaker segmentation

Diarization mengubah satu blok transkrip menjadi percakapan: agen, lalu pelanggan, lalu agen lagi.

## Cara kerjanya

Pipeline diarization biasanya berjalan dalam tiga tahap:

1.  **Temukan ucapan.** [Voice activity detection](https://broadrouter.com/id/glossary/vad/) menandai bagian ketika ada orang yang berbicara.
2.  **Buat embedding untuk jendela pendek.** Model speaker embedding mengubah setiap potongan menjadi vektor yang menangkap ciri suara.
3.  **Klasterkan.** Potongan dengan vektor yang mirip mendapat label yang sama, dan ucapan yang tumpang tindih ditangani jika modelnya mendukung.

Pipeline open-source pyannote `speaker-diarization-3.1` di Hugging Face menerima audio mono 16 kHz (stereo di-downmix dan sample rate lain di-resample) dan menulis hasilnya dalam RTTM, format teks biasa dengan satu baris per giliran bicara. Satu baris RTTM berisi file, kanal, waktu mulai, durasi, dan label pembicara:

```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>
```

Kartu modelnya melaporkan diarization error rate (DER) per benchmark, dari 7,8% pada REPERE hingga 50,0% pada AVA-AVD, dengan 11,3% pada VoxConverse. Rentang ini menunjukkan betapa hasilnya bergantung pada audio: rapat, siaran TV, dan panggilan telepon berperilaku berbeda.

Beberapa API terkelola melakukannya untuk Anda. Panduan speech-to-text OpenAI mendokumentasikan model diarization, `gpt-4o-transcribe-diarize`, dengan respons `diarized_json` yang segmennya membawa field `speaker`, `start`, dan `end`, serta klip referensi opsional berdurasi 2 hingga 10 detik untuk hingga empat pembicara yang dikenal. OpenAI mencantumkan model itu sebagai deprecated, dimatikan pada 26 Februari 2027, dan panduannya (diperiksa 2026-11-15) tidak mendokumentasikan label pembicara pada model lain.

## Mengapa penting

-   **Call center dan wawancara.** Peninjauan kualitas, kepatuhan, dan ringkasan semuanya perlu tahu siapa mengatakan apa.
-   **Pekerjaan LLM berikutnya.** Prompt ringkasan dengan giliran “Agent:” dan “Customer:” memberi jawaban lebih baik daripada satu tembok teks.
-   **Biaya.** Diarization adalah komputasi tambahan, dihargai terpisah atau dibundel, tergantung penyedianya. [Indeks harga API speech-to-text](https://broadrouter.com/data/speech-to-text-api-prices/) mencatat penyedia mana yang mengenakan biaya tambahan untuk fitur ini.

## Di BroadNet Inference

Dokumentasi BroadNet tidak mencantumkan diarization. Endpoint transkripsi hanya mengembalikan `{"text": "..."}`, tanpa label pembicara atau [timestamp](https://broadrouter.com/id/glossary/timestamps-asr/). Pola praktisnya adalah menjalankan diarizer open-source seperti pyannote secara lokal, memotong audio di setiap giliran bicara dengan ffmpeg, lalu mengirim setiap klip ke [BroadNet Transcribe Arabic](https://broadrouter.com/id/models/cohere-transcribe-arabic/) atau [BroadNet Transcribe](https://broadrouter.com/id/models/cohere-transcribe/) dengan `language` diisi. Jika kedua pihak berada di kanal stereo yang terpisah, pisahkan kanalnya saja; cara itu sama sekali tidak memerlukan model. Lihat [mentranskripsi rekaman call center](https://broadrouter.com/id/blog/transcribe-call-center-recordings/) untuk alur kerja yang lebih luas.

## Pertanyaan umum

### Apakah diarization memberi tahu nama pembicara?

Tidak. Diarization mengembalikan label anonim seperti SPEAKER\_00 dan SPEAKER\_01. Beberapa API, seperti gpt-4o-transcribe-diarize dari OpenAI (sudah deprecated, dimatikan pada 26 Februari 2027), bisa mencocokkan hingga empat pembicara dengan klip referensi pendek yang Anda berikan.

### Apakah API transkripsi BroadNet melakukan diarization?

Dokumentasi BroadNet tidak mencantumkan diarization. Endpoint-nya mengembalikan transkrip sebagai {"text": ...}, jadi jalankan model diarization terpisah jika Anda membutuhkan giliran bicara.

### Bagaimana akurasi diarization diukur?

Dengan diarization error rate (DER), yang menjumlahkan durasi false alarm, ucapan yang terlewat, dan kekeliruan pembicara, lalu membaginya dengan total durasi ucapan referensi. Makin rendah makin baik.

## Lihat juga

-   [Speech-to-text (ucapan ke teks)](https://broadrouter.com/id/glossary/speech-to-text/) (istilah)
-   [Voice activity detection (VAD)](https://broadrouter.com/id/glossary/vad/) (istilah)
-   [Timestamp (speech-to-text)](https://broadrouter.com/id/glossary/timestamps-asr/) (istilah)
-   [Word error rate (WER)](https://broadrouter.com/id/glossary/word-error-rate/) (istilah)
-   [Sample rate (laju sampel)](https://broadrouter.com/id/glossary/sample-rate/) (istilah)
-   [API speech-to-text bahasa Arab, langkah demi langkah](https://broadrouter.com/id/guides/arabic-speech-to-text-api/) (panduan)
-   [Cara transkripsi rekaman call center: pipeline siap bahasa Arab](https://broadrouter.com/id/blog/transcribe-call-center-recordings/) (artikel)
-   [API speech-to-text bahasa Arab: cara memilihnya di 2026](https://broadrouter.com/id/blog/arabic-speech-to-text-api-buyers-guide/) (artikel)

Coba dengan beban kerja Anda yang sebenarnya. Akun baru mendapat kredit US$5 untuk Gemma dan transkripsi. DeepSeek, GLM, dan Qwen3.8 memerlukan top up.

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

**Sumber**

-   [pyannote, kartu model speaker-diarization-3.1 di Hugging Face](https://huggingface.co/pyannote/speaker-diarization-3.1)
-   [Referensi pyannote.metrics, diarization error rate](https://pyannote.github.io/pyannote-metrics/reference.html)
-   [OpenAI, panduan speech to text (diarized\_json dan pembicara yang dikenal; diperiksa 2026-11-15)](https://developers.openai.com/api/docs/guides/speech-to-text)
-   [OpenAI deprecations, model speech-to-text (diperiksa 2026-11-15)](https://developers.openai.com/api/docs/deprecations)
-   [Referensi API BroadNet Inference, transkripsi (bahasa Inggris)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=id-glossary-diarization&utm_content=sources)
