---
title: "Что такое диаризация? Кто и когда говорил в аудио | BroadRouter"
description: "Диаризация делит запись по дикторам, чтобы в расшифровке было видно, кто и когда говорил. Как она работает, как её оценивают и как добавить её самостоятельно."
url: https://broadrouter.com/ru/glossary/diarization/
lang: ru
updated: 2026-11-16
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Переведено с английского с помощью ИИ. [Читать оригинал на английском](https://broadrouter.com/glossary/diarization/) (обновлён 2026-11-16).

# Диаризация дикторов (speaker diarization)

Обновлено 2026-11-16

Диаризация дикторов — это задача разбиения аудиозаписи на сегменты по говорящим, то есть ответ на вопрос «кто и когда говорил». Каждый отрезок речи получает анонимную метку диктора, например SPEAKER\_00, и обычно её совмещают с расшифровкой, чтобы показать, кто произнёс каждую реплику.

Также называют: диаризация, диаризация дикторов, диаризация спикеров, разметка дикторов, разделение по спикерам, кто когда говорил, speaker diarization, speaker diarisation, speaker labels, who spoke when, speaker separation, speaker segmentation

Диаризация превращает сплошной блок расшифровки в диалог: оператор, затем клиент, затем снова оператор.

## Как это работает

Конвейер диаризации обычно состоит из трёх этапов:

1.  **Поиск речи.** [Детектор голосовой активности (VAD)](https://broadrouter.com/ru/glossary/vad/) отмечает, где кто-либо говорит.
2.  **Эмбеддинги коротких окон.** Модель эмбеддингов дикторов превращает каждый отрезок в вектор, который отражает голос.
3.  **Кластеризация.** Отрезки с похожими векторами получают одну метку, а перекрывающаяся речь обрабатывается там, где модель это поддерживает.

Открытый конвейер pyannote `speaker-diarization-3.1` на Hugging Face принимает моноаудио с частотой 16 кГц (стерео он сводит в моно, а другие частоты передискретизирует) и пишет результаты в RTTM — текстовый формат, где каждая реплика диктора занимает одну строку. Строка RTTM содержит файл, канал, время начала, длительность и метку диктора:

```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>
```

Карточка модели приводит долю ошибок диаризации (DER) по бенчмаркам: от 7,8% на REPERE до 50,0% на AVA-AVD, а на VoxConverse — 11,3%. Разброс показывает, насколько результат зависит от аудио: совещания, телепередачи и телефонные звонки ведут себя по-разному.

Некоторые облачные API делают это за вас. Руководство OpenAI по распознаванию речи описывает модель диаризации `gpt-4o-transcribe-diarize` с ответом `diarized_json`, сегменты которого содержат поля `speaker`, `start` и `end`, а также необязательные эталонные фрагменты длиной от 2 до 10 секунд для четырёх известных дикторов максимум. OpenAI помечает эту модель как устаревшую, с отключением 26 февраля 2027 года, и её руководство (дата обращения 2026-11-15) не описывает метки дикторов ни для одной другой модели.

## Почему это важно

-   **Колл-центры и интервью.** Контролю качества, комплаенсу и резюме разговоров нужно знать, кто что сказал.
-   **Дальнейшая работа с LLM.** Промпт для резюме с репликами «Оператор:» и «Клиент:» даёт лучшие ответы, чем сплошная стена текста.
-   **Стоимость.** Диаризация — это дополнительные вычисления, которые в зависимости от провайдера тарифицируются отдельно или входят в цену. В [индексе цен на API распознавания речи](https://broadrouter.com/data/speech-to-text-api-prices/) отмечено, какие провайдеры берут за неё доплату.

## В BroadNet Inference

В документации BroadNet диаризация не указана. Эндпоинт транскрибации возвращает только `{"text": "..."}`, без меток дикторов и [временных меток](https://broadrouter.com/ru/glossary/timestamps-asr/). Практичный вариант — запустить локально открытый диаризатор, например pyannote, нарезать аудио по репликам дикторов с помощью ffmpeg и отправить каждый фрагмент в [BroadNet Transcribe Arabic](https://broadrouter.com/ru/models/cohere-transcribe-arabic/) или [BroadNet Transcribe](https://broadrouter.com/ru/models/cohere-transcribe/) с заданным `language`. Если собеседники записаны на разных стереоканалах, просто разделите каналы: модель для этого вообще не нужна. Общий процесс описан в статье [о транскрибации записей колл-центра](https://broadrouter.com/ru/blog/transcribe-call-center-recordings/).

## Вопросы и ответы

### Сообщает ли диаризация имя говорящего?

Нет. Она возвращает анонимные метки вроде SPEAKER\_00 и SPEAKER\_01. Некоторые API, например gpt-4o-transcribe-diarize от OpenAI (устаревшая, отключается 26 февраля 2027 года), могут сопоставить до четырёх дикторов с короткими эталонными фрагментами, которые вы передаёте.

### Есть ли диаризация в API транскрибации BroadNet?

В документации BroadNet диаризация не указана. Эндпоинт возвращает расшифровку в виде {"text": ...}, поэтому, если вам нужны реплики по дикторам, запускайте отдельную модель диаризации.

### Как измеряют точность диаризации?

Долей ошибок диаризации (DER): складывают время ложных срабатываний, пропущенной речи и перепутанных дикторов и делят на общее время речи в эталонной разметке. Чем ниже, тем лучше.

## См. также

-   [Распознавание речи (speech-to-text)](https://broadrouter.com/ru/glossary/speech-to-text/) (термин)
-   [Детекция речевой активности (VAD)](https://broadrouter.com/ru/glossary/vad/) (термин)
-   [Временные метки в распознавании речи (timestamps)](https://broadrouter.com/ru/glossary/timestamps-asr/) (термин)
-   [Доля ошибок в словах (word error rate, WER)](https://broadrouter.com/ru/glossary/word-error-rate/) (термин)
-   [Частота дискретизации (sample rate)](https://broadrouter.com/ru/glossary/sample-rate/) (термин)
-   [API распознавания арабской речи: пошаговое руководство](https://broadrouter.com/ru/guides/arabic-speech-to-text-api/) (руководство)
-   [Транскрибация записей колл-центра: конвейер с поддержкой арабского](https://broadrouter.com/ru/blog/transcribe-call-center-recordings/) (статья)
-   [API распознавания арабской речи: как выбрать в 2026 году](https://broadrouter.com/ru/blog/arabic-speech-to-text-api-buyers-guide/) (статья)

Проверьте на своей реальной нагрузке. Новые аккаунты получают стартовый грант US$5 на Gemma и распознавание речи. Для DeepSeek, GLM и Qwen3.8 нужно пополнить баланс.

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

**Источники**

-   [pyannote, карточка модели speaker-diarization-3.1 на Hugging Face](https://huggingface.co/pyannote/speaker-diarization-3.1)
-   [Справочник pyannote.metrics, доля ошибок диаризации (DER)](https://pyannote.github.io/pyannote-metrics/reference.html)
-   [OpenAI, руководство по распознаванию речи (diarized\_json и известные дикторы; дата обращения 2026-11-15)](https://developers.openai.com/api/docs/guides/speech-to-text)
-   [OpenAI, устаревшие модели распознавания речи (дата обращения 2026-11-15)](https://developers.openai.com/api/docs/deprecations)
-   [Справочник BroadNet Inference API, транскрибация (на английском)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ru-glossary-diarization&utm_content=sources)
