---
title: "Speaker diarization là gì? Ai nói lúc nào trong audio"
description: "Speaker diarization chia bản ghi âm theo người nói để bản chép lời cho thấy ai nói lúc nào. Cách hoạt động, cách chấm điểm và cách tự thêm vào quy trình."
url: https://broadrouter.com/vi/glossary/diarization/
lang: vi
updated: 2026-11-16
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Được dịch từ tiếng Anh với sự hỗ trợ của AI. [Đọc bản gốc tiếng Anh](https://broadrouter.com/glossary/diarization/) (cập nhật ngày 2026-11-16).

# Speaker diarization (phân tách người nói)

Cập nhật 2026-11-16

Speaker diarization (phân tách người nói) là tác vụ chia một bản ghi âm thành các đoạn theo người nói, trả lời câu hỏi “ai nói lúc nào”. Mỗi đoạn lời nói được gắn một ID ẩn danh như SPEAKER\_00, và thường được kết hợp với bản chép lời để cho thấy ai nói từng dòng.

Còn gọi là: diarization là gì, phân tách người nói, phân biệt người nói, nhận diện người nói theo đoạn, gắn nhãn người nói, speaker diarisation, speaker labels, who spoke when, speaker separation, speaker segmentation

Diarization biến một khối chép lời liền mạch thành một cuộc hội thoại: nhân viên, rồi khách hàng, rồi lại nhân viên.

## Cách hoạt động

Một pipeline diarization thường chạy ba bước:

1.  **Tìm lời nói.** [Phát hiện hoạt động giọng nói (VAD)](https://broadrouter.com/vi/glossary/vad/) đánh dấu chỗ có người đang nói.
2.  **Embedding các cửa sổ ngắn.** Một model speaker embedding biến mỗi lát cắt thành một vector mang đặc trưng giọng.
3.  **Phân cụm.** Các lát có vector giống nhau được gắn cùng nhãn, và lời nói chồng lấn được xử lý nếu model hỗ trợ.

Pipeline mã nguồn mở pyannote `speaker-diarization-3.1` trên Hugging Face nhận audio mono 16 kHz (nó trộn stereo về mono và lấy mẫu lại các tần số khác) và ghi kết quả theo RTTM, một định dạng văn bản thuần với mỗi dòng là một lượt nói. Một dòng RTTM cho biết file, kênh, thời điểm bắt đầu, độ dài và nhãn người nói:

```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>
```

Model card của nó báo cáo diarization error rate (DER) theo từng benchmark, từ 7,8% trên REPERE đến 50,0% trên AVA-AVD, và 11,3% trên VoxConverse. Mức chênh này cho thấy kết quả phụ thuộc nhiều vào audio: cuộc họp, truyền hình và cuộc gọi điện thoại cho kết quả khác nhau.

Một số API được host sẵn làm việc này cho bạn. Hướng dẫn speech-to-text của OpenAI mô tả một model diarization, `gpt-4o-transcribe-diarize`, với phản hồi `diarized_json` mà các segment có trường `speaker`, `start` và `end`, cùng các đoạn audio tham chiếu tùy chọn dài 2 đến 10 giây cho tối đa bốn người nói đã biết. OpenAI liệt kê model đó là đã ngừng hỗ trợ, sẽ tắt vào ngày 26 tháng 2 năm 2027, và hướng dẫn của họ (kiểm tra ngày 2026-11-15) không mô tả nhãn người nói trên model nào khác.

## Vì sao quan trọng

-   **Tổng đài và phỏng vấn.** Kiểm soát chất lượng, tuân thủ và tóm tắt đều cần biết ai nói gì.
-   **Xử lý tiếp bằng LLM.** Một prompt tóm tắt có các lượt “Agent:” và “Customer:” cho câu trả lời tốt hơn một khối chữ liền.
-   **Chi phí.** Diarization là phần tính toán thêm, tính giá riêng hoặc gộp sẵn tùy nhà cung cấp. [Bảng chỉ số giá API speech-to-text](https://broadrouter.com/data/speech-to-text-api-prices/) ghi rõ nhà cung cấp nào tính thêm phí cho nó.

## Trên BroadNet Inference

Tài liệu BroadNet không liệt kê diarization. Endpoint chép lời chỉ trả về `{"text": "..."}`, không có nhãn người nói hay [timestamp](https://broadrouter.com/vi/glossary/timestamps-asr/). Một cách làm thực tế là chạy một bộ diarization mở như pyannote ở máy bạn, cắt audio tại mỗi lượt nói bằng ffmpeg, rồi gửi từng đoạn tới [BroadNet Transcribe Arabic](https://broadrouter.com/vi/models/cohere-transcribe-arabic/) hoặc [BroadNet Transcribe](https://broadrouter.com/vi/models/cohere-transcribe/) với `language` được đặt. Nếu hai bên nằm trên hai kênh stereo riêng, hãy tách kênh thay vào đó; cách này không cần model nào cả. Xem [chép lời bản ghi âm tổng đài](https://broadrouter.com/vi/blog/transcribe-call-center-recordings/) để biết toàn bộ quy trình.

## Câu hỏi thường gặp

### Diarization có cho biết tên người nói không?

Không. Nó trả về nhãn ẩn danh như SPEAKER\_00 và SPEAKER\_01. Một số API, như gpt-4o-transcribe-diarize của OpenAI (đã ngừng hỗ trợ, tắt vào ngày 26 tháng 2 năm 2027), có thể khớp tối đa bốn người nói với các đoạn audio tham chiếu ngắn bạn cung cấp.

### API chép lời của BroadNet có hỗ trợ diarization không?

Tài liệu BroadNet không liệt kê diarization. Endpoint trả về bản chép lời dạng {"text": ...}, nên nếu cần lượt nói của từng người, hãy chạy một model diarization riêng.

### Độ chính xác của diarization được đo thế nào?

Bằng diarization error rate (DER), cộng thời gian báo động giả (false alarm), lời nói bị bỏ sót và nhầm người nói, rồi chia cho tổng thời gian lời nói tham chiếu. Càng thấp càng tốt.

## Xem thêm

-   [Chuyển giọng nói thành văn bản (speech-to-text)](https://broadrouter.com/vi/glossary/speech-to-text/) (thuật ngữ)
-   [VAD (phát hiện giọng nói)](https://broadrouter.com/vi/glossary/vad/) (thuật ngữ)
-   [Timestamp trong speech-to-text (dấu thời gian ASR)](https://broadrouter.com/vi/glossary/timestamps-asr/) (thuật ngữ)
-   [Word error rate (WER, tỷ lệ lỗi từ)](https://broadrouter.com/vi/glossary/word-error-rate/) (thuật ngữ)
-   [Tần số lấy mẫu (sample rate)](https://broadrouter.com/vi/glossary/sample-rate/) (thuật ngữ)
-   [API chuyển giọng nói tiếng Ả Rập thành văn bản: từng bước](https://broadrouter.com/vi/guides/arabic-speech-to-text-api/) (hướng dẫn)
-   [Chép lời ghi âm tổng đài: pipeline sẵn sàng cho tiếng Ả Rập](https://broadrouter.com/vi/blog/transcribe-call-center-recordings/) (bài viết)
-   [API chuyển giọng nói tiếng Ả Rập thành văn bản: cách chọn năm 2026](https://broadrouter.com/vi/blog/arabic-speech-to-text-api-buyers-guide/) (bài viết)

Hãy thử với khối lượng công việc thực tế của bạn. Tài khoản mới được tặng US$5 tín dụng ban đầu cho Gemma và chuyển giọng nói thành văn bản. DeepSeek, GLM và Qwen3.8 cần nạp tiền.

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

**Nguồn**

-   [pyannote, model card speaker-diarization-3.1 trên Hugging Face](https://huggingface.co/pyannote/speaker-diarization-3.1)
-   [Tài liệu tham chiếu pyannote.metrics, diarization error rate](https://pyannote.github.io/pyannote-metrics/reference.html)
-   [OpenAI, hướng dẫn speech to text (diarized\_json và người nói đã biết; kiểm tra ngày 2026-11-15)](https://developers.openai.com/api/docs/guides/speech-to-text)
-   [OpenAI, danh sách ngừng hỗ trợ, model speech-to-text (kiểm tra ngày 2026-11-15)](https://developers.openai.com/api/docs/deprecations)
-   [Tài liệu tham chiếu API BroadNet Inference, chép lời (tiếng Anh)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=vi-glossary-diarization&utm_content=sources)
