---
title: "話者ダイアライゼーションとは？音声の「誰がいつ話したか」 | BroadRouter"
description: "話者ダイアライゼーションは、録音を話者ごとに区切り、文字起こしに誰がいつ話したかを示す技術です。仕組み、評価方法、自分で組み込む方法を解説します。"
url: https://broadrouter.com/ja/glossary/diarization/
lang: ja
updated: 2026-11-16
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

このページは英語の原文を AI の支援を受けて翻訳したものです。 [英語の原文を読む](https://broadrouter.com/glossary/diarization/) (2026-11-16 更新).

# 話者ダイアライゼーション（speaker diarization）

更新日 2026-11-16

話者ダイアライゼーションとは、録音を話者ごとの区間に分け、「誰がいつ話したか」に答えるタスクです。各発話区間に SPEAKER\_00 のような匿名の話者 ID を付け、たいていは文字起こしと組み合わせて、各行を誰が話したかを示します。

別名： 話者分離、話者識別、話者ラベル、ダイアライゼーション、話者区間検出、speaker diarization、diarization、speaker diarisation、speaker labels、who spoke when、speaker separation、speaker segmentation

話者ダイアライゼーションは、ひとかたまりの文字起こしを会話に変えます。オペレーター、次にお客様、そしてまたオペレーター、という具合です。

## 仕組み

ダイアライゼーションのパイプラインは、ふつう 3 つの段階で動きます。

1.  **発話を見つける。** [音声区間検出（VAD）](https://broadrouter.com/ja/glossary/vad/)で、誰かが話している箇所に印を付けます。
2.  **短い区間を埋め込みに変える。** 話者埋め込みモデルが、各区間を声の特徴を捉えたベクトルに変換します。
3.  **クラスタリングする。** ベクトルが似ている区間に同じラベルを付けます。モデルが対応していれば、重なった発話も処理します。

Hugging Face で公開されているオープンな pyannote `speaker-diarization-3.1` パイプラインは、16 kHz のモノラル音声を受け取り（ステレオはダウンミックスし、ほかのサンプリングレートはリサンプリングします）、結果を RTTM で出力します。RTTM は話者の発話 1 回につき 1 行のプレーンテキスト形式で、各行にファイル、チャンネル、開始時刻、長さ、話者ラベルが入ります。

```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>
```

モデルカードではベンチマークごとのダイアライゼーション誤り率（DER）を報告しており、REPERE の 7.8% から AVA-AVD の 50.0% まで幅があり、VoxConverse では 11.3% です。この幅は、結果が音声にどれほど左右されるかを示しています。会議、テレビ、電話では傾向がそれぞれ異なります。

ホスト型 API の中には、これを代わりに行ってくれるものもあります。OpenAI の音声認識ガイドには、ダイアライゼーション用のモデル `gpt-4o-transcribe-diarize` が記載されています。`diarized_json` レスポンスの各セグメントには `speaker`、`start`、`end` のフィールドがあり、既知の話者最大 4 人について 2〜10 秒の参照音声を任意で渡せます。OpenAI はこのモデルを非推奨としており、2027 年 2 月 26 日に提供を終了します。また、ガイド（2026-11-15 確認）には、ほかのモデルで話者ラベルを出す方法は記載されていません。

## なぜ重要か

-   **コールセンターやインタビュー。** 品質チェック、コンプライアンス、要約のどれにも、誰が何を言ったかの情報が必要です。
-   **後段の LLM 処理。** 「Agent:」「Customer:」のターンに分かれた要約プロンプトのほうが、ひと続きの文章よりも良い回答が得られます。
-   **コスト。** ダイアライゼーションには追加の計算が必要で、事業者によって別料金だったり料金に含まれていたりします。[音声認識 API 料金一覧](https://broadrouter.com/data/speech-to-text-api-prices/)に、追加料金がかかる事業者を記載しています。

## BroadNet Inference では

BroadNet のドキュメントには話者ダイアライゼーションの記載がありません。文字起こしエンドポイントが返すのは `{"text": "..."}` だけで、話者ラベルも[タイムスタンプ](https://broadrouter.com/ja/glossary/timestamps-asr/)もありません。実用的なのは、pyannote などのオープンなダイアライザーを手元で実行し、ffmpeg で話者の交代ごとに音声を切り分け、各クリップを `language` を指定して [BroadNet Transcribe Arabic](https://broadrouter.com/ja/models/cohere-transcribe-arabic/) または [BroadNet Transcribe](https://broadrouter.com/ja/models/cohere-transcribe/) に送る方法です。双方の声がステレオの別チャンネルに分かれているなら、チャンネルを分割するだけで済み、モデルはまったく要りません。全体の流れは[コールセンターの録音を文字起こしする](https://broadrouter.com/ja/blog/transcribe-call-center-recordings/)を参照してください。

## よくある質問

### 話者ダイアライゼーションで話者の名前はわかりますか？

いいえ。返されるのは SPEAKER\_00 や SPEAKER\_01 のような匿名ラベルです。OpenAI の gpt-4o-transcribe-diarize（非推奨、2027 年 2 月 26 日に提供終了）のように、ユーザーが用意した短い参照音声を使って最大 4 人の話者を対応付けられる API もあります。

### BroadNet の文字起こし API は話者ダイアライゼーションに対応していますか？

BroadNet のドキュメントには話者ダイアライゼーションの記載がありません。エンドポイントは文字起こしを {"text": ...} の形で返すので、話者の交代が必要なら別のダイアライゼーションモデルを実行してください。

### 話者ダイアライゼーションの精度はどう測りますか？

ダイアライゼーション誤り率（DER）で測ります。誤検出、発話の見逃し、話者の取り違えの時間を合計し、参照音声の発話時間の合計で割ります。低いほど良い値です。

## 関連項目

-   [音声認識（Speech-to-Text）](https://broadrouter.com/ja/glossary/speech-to-text/) (用語)
-   [音声区間検出（VAD）](https://broadrouter.com/ja/glossary/vad/) (用語)
-   [タイムスタンプ（音声認識、timestamps）](https://broadrouter.com/ja/glossary/timestamps-asr/) (用語)
-   [単語誤り率（WER、word error rate）](https://broadrouter.com/ja/glossary/word-error-rate/) (用語)
-   [サンプリングレート（sample rate）](https://broadrouter.com/ja/glossary/sample-rate/) (用語)
-   [アラビア語の音声認識 API を使う手順](https://broadrouter.com/ja/guides/arabic-speech-to-text-api/) (ガイド)
-   [コールセンターの通話録音を文字起こしする：アラビア語対応のパイプライン](https://broadrouter.com/ja/blog/transcribe-call-center-recordings/) (記事)
-   [アラビア語の音声認識 API：2026 年の選び方](https://broadrouter.com/ja/blog/arabic-speech-to-text-api-buyers-guide/) (記事)

実際のワークロードで試してください。 新規アカウントには US$5 の初回クレジットがあり、Gemma、文字起こし に使えます。DeepSeek、GLM、Qwen3.8 はチャージが必要です。

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

**出典**

-   [pyannote、Hugging Face の speaker-diarization-3.1 モデルカード](https://huggingface.co/pyannote/speaker-diarization-3.1)
-   [pyannote.metrics リファレンス、ダイアライゼーション誤り率](https://pyannote.github.io/pyannote-metrics/reference.html)
-   [OpenAI、音声認識ガイド（diarized\_json と既知の話者、2026-11-15 確認）](https://developers.openai.com/api/docs/guides/speech-to-text)
-   [OpenAI 非推奨化情報、音声認識モデル（2026-11-15 確認）](https://developers.openai.com/api/docs/deprecations)
-   [BroadNet Inference API リファレンス、文字起こし （英語）](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ja-glossary-diarization&utm_content=sources)
