---
title: "اسپیکر ڈائرائزیشن کیا ہے؟ آڈیو میں کون کب بولا | BroadRouter"
description: "اسپیکر ڈائرائزیشن ریکارڈنگ کو بولنے والوں کے لحاظ سے بانٹتی ہے، تاکہ ٹرانسکرپٹ دکھائے کہ کون کب بولا۔ یہ کیسے کام کرتی ہے، اسکور کیسے ہوتی ہے، خود کیسے شامل کریں۔"
url: https://broadrouter.com/ur/glossary/diarization/
lang: ur
updated: 2026-11-16
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

یہ صفحہ انگریزی سے AI کی مدد سے ترجمہ کیا گیا ہے۔ [انگریزی اصل پڑھیں](https://broadrouter.com/glossary/diarization/) (اپ ڈیٹ: 2026-11-16).

# اسپیکر ڈائرائزیشن (speaker diarization)

اپ ڈیٹ 2026-11-16

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](https://broadrouter.com/ur/glossary/vad/) 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:

```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>
```

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](https://broadrouter.com/data/speech-to-text-api-prices/) 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](https://broadrouter.com/ur/glossary/timestamps-asr/) 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](https://broadrouter.com/ur/models/cohere-transcribe-arabic/) یا [BroadNet Transcribe](https://broadrouter.com/ur/models/cohere-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](https://broadrouter.com/ur/blog/transcribe-call-center-recordings/) 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۔

## یہ بھی دیکھیں

-   [اسپیچ ٹو ٹیکسٹ (speech-to-text)](https://broadrouter.com/ur/glossary/speech-to-text/) (اصطلاح)
-   [وائس ایکٹیویٹی ڈیٹیکشن (VAD)](https://broadrouter.com/ur/glossary/vad/) (اصطلاح)
-   [ٹائم اسٹیمپس (اسپیچ ٹو ٹیکسٹ، timestamps)](https://broadrouter.com/ur/glossary/timestamps-asr/) (اصطلاح)
-   [ورڈ ایرر ریٹ (WER)](https://broadrouter.com/ur/glossary/word-error-rate/) (اصطلاح)
-   [سیمپل ریٹ (sample rate)](https://broadrouter.com/ur/glossary/sample-rate/) (اصطلاح)
-   [عربی speech-to-text API، قدم بہ قدم](https://broadrouter.com/ur/guides/arabic-speech-to-text-api/) (گائیڈ)
-   [کال سینٹر ریکارڈنگز کیسے ٹرانسکرائب کریں: عربی کے لیے تیار پائپ لائن](https://broadrouter.com/ur/blog/transcribe-call-center-recordings/) (مضمون)
-   [عربی speech-to-text API: 2026 میں درست API کیسے منتخب کریں](https://broadrouter.com/ur/blog/arabic-speech-to-text-api-buyers-guide/) (مضمون)

اسے اپنے اصل کام پر آزمائیں۔ نئے اکاؤنٹس Gemma اور ٹرانسکرپشن کے لیے US$5 کے کریڈٹ سے شروع ہوتے ہیں۔ DeepSeek، GLM، اور Qwen3.8 کے لیے ٹاپ اپ ضروری ہے۔

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

**ذرائع**

-   [pyannote، Hugging Face پر speaker-diarization-3.1 ماڈل کارڈ](https://huggingface.co/pyannote/speaker-diarization-3.1)
-   [pyannote.metrics حوالہ، ڈائرائزیشن ایرر ریٹ](https://pyannote.github.io/pyannote-metrics/reference.html)
-   [OpenAI، اسپیچ ٹو ٹیکسٹ گائیڈ (diarized\_json اور معلوم اسپیکرز؛ 2026-11-15 کو جانچا گیا)](https://developers.openai.com/api/docs/guides/speech-to-text)
-   [OpenAI ڈیپریکیشنز، اسپیچ ٹو ٹیکسٹ ماڈلز (2026-11-15 کو جانچا گیا)](https://developers.openai.com/api/docs/deprecations)
-   [BroadNet Inference API حوالہ، ٹرانسکرپشن (انگریزی میں)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ur-glossary-diarization&utm_content=sources)
