BroadRouter
شروع کریں

اسپیکر ڈائرائزیشن (speaker diarization)

اپ ڈیٹ

اسپیکر ڈائرائزیشن آڈیو ریکارڈنگ کو بولنے والوں کے لحاظ سے حصوں میں بانٹنے کا کام ہے، جو بتاتا ہے کہ "کون کب بولا"۔ یہ گفتگو کے ہر حصے پر SPEAKER_00 جیسی گمنام اسپیکر ID لگاتی ہے، اور عموماً ٹرانسکرپٹ کے ساتھ ملا کر دکھاتی ہے کہ ہر سطر کس نے کہی۔

دوسرے نام: اسپیکر ڈائرائزیشن، اسپیکر لیبل، کون کب بولا، speaker diarization kya hai، speaker diarization، speaker diarisation، speaker labels، who spoke when، speaker separation، speaker segmentation

ڈائرائزیشن ٹرانسکرپٹ کے ایک بڑے بلاک کو گفتگو میں بدل دیتی ہے: ایجنٹ، پھر گاہک، پھر دوبارہ ایجنٹ۔

یہ کیسے کام کرتی ہے

ڈائرائزیشن پائپ لائن عموماً تین مراحل میں چلتی ہے:

  1. گفتگو تلاش کرنا۔ وائس ایکٹیویٹی ڈیٹیکشن بتاتی ہے کہ کہاں کوئی بول رہا ہے۔
  2. مختصر حصوں کی ایمبیڈنگ۔ اسپیکر ایمبیڈنگ ماڈل ہر ٹکڑے کو ایک ویکٹر میں بدلتا ہے جو آواز کی پہچان پکڑتا ہے۔
  3. کلسٹرنگ۔ ملتے جلتے ویکٹرز والے ٹکڑوں کو ایک ہی لیبل ملتا ہے، اور جہاں ماڈل سپورٹ کرے وہاں ایک ساتھ بولی گئی گفتگو بھی سنبھالی جاتی ہے۔

Hugging Face پر اوپن pyannote speaker-diarization-3.1 پائپ لائن 16 kHz کی مونو آڈیو لیتی ہے (اسٹیریو کو مونو میں ملاتی ہے اور دوسرے ریٹس کو ری سیمپل کرتی ہے) اور نتائج RTTM میں لکھتی ہے، جو ہر اسپیکر کی باری کے لیے ایک سطر والا سادہ متنی فارمیٹ ہے۔ RTTM کی ایک سطر فائل، چینل، شروع کا وقت، دورانیہ اور اسپیکر لیبل دیتی ہے:

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>

اس کا ماڈل کارڈ ہر بینچ مارک کے لیے ڈائرائزیشن ایرر ریٹ (DER) بتاتا ہے، REPERE پر 7.8% سے AVA-AVD پر 50.0% تک، اور VoxConverse پر 11.3%۔ یہ پھیلاؤ دکھاتا ہے کہ نتائج آڈیو پر کتنا منحصر ہیں: میٹنگز، TV اور فون کالز مختلف برتاؤ کرتی ہیں۔

کچھ ہوسٹڈ APIs یہ کام آپ کے لیے کرتے ہیں۔ OpenAI کی اسپیچ ٹو ٹیکسٹ گائیڈ ایک ڈائرائزیشن ماڈل، gpt-4o-transcribe-diarize، بیان کرتی ہے، جس کا diarized_json جواب ایسے سیگمنٹس دیتا ہے جن میں speaker، start اور end فیلڈز ہوتے ہیں، اور زیادہ سے زیادہ چار معلوم اسپیکرز کے لیے 2 سے 10 سیکنڈ کے اختیاری حوالہ کلپس دیے جا سکتے ہیں۔ OpenAI اس ماڈل کو ڈیپریکیٹڈ بتاتا ہے، جو 26 فروری 2027 کو بند ہو گا، اور اس کی گائیڈ (2026-11-15 کو جانچی گئی) کسی اور ماڈل پر اسپیکر لیبلز کا ذکر نہیں کرتی۔

یہ کیوں اہم ہے

  • کال سینٹرز اور انٹرویوز۔ کوالٹی ریویو، کمپلائنس اور خلاصے، سب کے لیے جاننا ضروری ہے کہ کس نے کیا کہا۔
  • آگے کا LLM کام۔ “Agent:” اور “Customer:” والی باریوں والا خلاصہ پرامپٹ متن کی ایک لمبی دیوار سے بہتر جواب دیتا ہے۔
  • لاگت۔ ڈائرائزیشن اضافی کمپیوٹ ہے، جس کی قیمت فراہم کنندہ کے لحاظ سے الگ لگتی ہے یا پیکج میں شامل ہوتی ہے۔ اسپیچ ٹو ٹیکسٹ API قیمتوں کا انڈیکس بتاتا ہے کہ کون سے فراہم کنندگان اس کے لیے اضافی رقم لیتے ہیں۔

BroadNet Inference پر

BroadNet کی دستاویزات میں ڈائرائزیشن درج نہیں۔ ٹرانسکرپشن اینڈپوائنٹ صرف {"text": "..."} لوٹاتا ہے، اسپیکر لیبلز یا ٹائم اسٹیمپس کے بغیر۔ ایک عملی طریقہ یہ ہے: pyannote جیسا اوپن ڈائرائزر مقامی طور پر چلائیں، ffmpeg سے ہر اسپیکر کی باری پر آڈیو کاٹیں، اور ہر کلپ language سیٹ کر کے BroadNet Transcribe Arabic یا BroadNet Transcribe کو بھیجیں۔ اگر دونوں فریق الگ اسٹیریو چینلز پر ہیں تو بس چینلز الگ کر دیں؛ اس کے لیے کسی ماڈل کی ضرورت ہی نہیں۔ پورے ورک فلو کے لیے کال سینٹر ریکارڈنگز ٹرانسکرائب کرنا دیکھیں۔

عام سوالات

کیا ڈائرائزیشن بولنے والے کا نام بتاتی ہے؟

نہیں۔ یہ SPEAKER_00 اور SPEAKER_01 جیسے گمنام لیبل لوٹاتی ہے۔ کچھ APIs، جیسے OpenAI کا gpt-4o-transcribe-diarize (ڈیپریکیٹڈ، 26 فروری 2027 کو بند ہو گا)، آپ کے دیے گئے مختصر حوالہ کلپس سے زیادہ سے زیادہ چار اسپیکرز کی شناخت ملا سکتے ہیں۔

کیا BroadNet کا ٹرانسکرپشن API ڈائرائزیشن کرتا ہے؟

BroadNet کی دستاویزات میں ڈائرائزیشن درج نہیں۔ اینڈپوائنٹ ٹرانسکرپٹ کو {"text": ...} کی شکل میں لوٹاتا ہے، اس لیے اگر اسپیکرز کی باریاں چاہییں تو الگ ڈائرائزیشن ماڈل چلائیں۔

ڈائرائزیشن کی درستگی کیسے ناپی جاتی ہے؟

ڈائرائزیشن ایرر ریٹ (DER) سے، جو false alarm، چھوٹی ہوئی گفتگو اور اسپیکر کی الجھن کا وقت جمع کر کے اسے حوالہ گفتگو کے کل وقت سے تقسیم کرتا ہے۔ جتنا کم، اتنا بہتر۔

Markdown میں پڑھیںChatGPT سے پوچھیںClaude سے پوچھیںPerplexity سے پوچھیں