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:
- گفتگو تلاش کرنا۔ وائس ایکٹیویٹی ڈیٹیکشن بتاتی ہے کہ کہاں کوئی بول رہا ہے۔
- مختصر حصوں کی ایمبیڈنگ۔ اسپیکر ایمبیڈنگ ماڈل ہر ٹکڑے کو ایک ویکٹر میں بدلتا ہے جو آواز کی پہچان پکڑتا ہے۔
- 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۔