BroadRouter
Inizia

Speaker diarization (diarizzazione del parlato)

Aggiornato

La speaker diarization è il compito di dividere una registrazione audio in segmenti per parlante, rispondendo a "chi ha parlato e quando". Etichetta ogni tratto di parlato con un ID anonimo come SPEAKER_00 e di solito si combina con una trascrizione per mostrare chi ha detto ogni battuta.

Detto anche: diarizzazione, diarizzazione dei parlanti, riconoscimento dei parlanti, etichette dei parlanti, chi ha parlato quando, speaker diarization, speaker diarisation, speaker labels, who spoke when, speaker separation, speaker segmentation

La diarization trasforma un blocco unico di trascrizione in una conversazione: operatore, poi cliente, poi di nuovo operatore.

Come funziona

Una pipeline di diarization di solito ha tre fasi:

  1. Trovare il parlato. La voice activity detection segna dove qualcuno sta parlando.
  2. Creare embedding di brevi finestre. Un modello di speaker embedding trasforma ogni frammento in un vettore che cattura la voce.
  3. Raggruppare (clustering). I frammenti con vettori simili ricevono la stessa etichetta, e il parlato sovrapposto viene gestito dove il modello lo supporta.

La pipeline open speaker-diarization-3.1 di pyannote su Hugging Face accetta audio mono a 16 kHz (fa il downmix dello stereo e ricampiona le altre frequenze) e scrive i risultati in RTTM, un formato di testo semplice con una riga per ogni turno di parola. Una riga RTTM indica file, canale, istante di inizio, durata ed etichetta del parlante:

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>

La sua model card riporta il diarization error rate (DER) per benchmark, dal 7,8% su REPERE al 50,0% su AVA-AVD, con l’11,3% su VoxConverse. La forbice mostra quanto i risultati dipendano dall’audio: riunioni, TV e telefonate si comportano in modo diverso.

Alcune API ospitate lo fanno per te. La guida allo speech-to-text di OpenAI documenta un modello di diarization, gpt-4o-transcribe-diarize, con una risposta diarized_json i cui segmenti hanno i campi speaker, start e end, e clip di riferimento opzionali da 2 a 10 secondi per un massimo di quattro parlanti noti. OpenAI indica quel modello come deprecato, con dismissione il 26 febbraio 2027, e la sua guida (verificata il 2026-11-15) non documenta etichette dei parlanti su nessun altro modello.

Perché è importante

  • Call center e interviste. Controllo qualità, compliance e riassunti hanno tutti bisogno di sapere chi ha detto cosa.
  • Lavoro LLM a valle. Un prompt di riassunto con turni “Operatore:” e “Cliente:” dà risposte migliori di un unico muro di testo.
  • Costo. La diarization è calcolo in più, con prezzo separato o incluso a seconda del provider. L’indice dei prezzi delle API speech-to-text indica quali provider la fanno pagare a parte.

Su BroadNet Inference

La documentazione di BroadNet non elenca la diarization. L’endpoint di trascrizione restituisce solo {"text": "..."}, senza etichette dei parlanti né timestamp. Uno schema pratico è eseguire in locale un diarizzatore open come pyannote, tagliare l’audio a ogni turno con ffmpeg e inviare ogni clip a BroadNet Transcribe Arabic o a BroadNet Transcribe con language impostato. Se le due parti sono su canali stereo separati, dividi invece i canali: non serve alcun modello. Vedi come trascrivere le registrazioni di un call center per il flusso completo.

Domande frequenti

La diarization mi dice il nome di chi parla?

No. Restituisce etichette anonime come SPEAKER_00 e SPEAKER_01. Alcune API, come gpt-4o-transcribe-diarize di OpenAI (deprecato, in dismissione il 26 febbraio 2027), possono associare fino a quattro parlanti a brevi clip di riferimento che fornisci tu.

L’API di trascrizione di BroadNet fa la diarization?

La documentazione di BroadNet non elenca la diarization. L’endpoint restituisce la trascrizione come {"text": ...}, quindi usa un modello di diarization separato se ti servono i turni dei parlanti.

Come si misura l’accuratezza della diarization?

Con il diarization error rate (DER), che somma il tempo di falsi allarmi, parlato mancato e confusione tra parlanti, poi lo divide per il tempo totale di parlato di riferimento. Più basso è, meglio è.

Leggi in MarkdownChiedi a ChatGPTChiedi a ClaudeChiedi a Perplexity