स्पीकर डायराइजेशन

It turns a single stream of mixed voices into a timeline showing exactly which person was talking at each moment.

डायराइज़ेशन ऑडियो को चरणों में संसाधित करता है। सबसे पहले, ध्वनि गतिविधि का पता लगाने से भाषण क्षेत्रों का पता चलता है। फिर भाषण को छोटे खंडों में काट दिया जाता है, और प्रत्येक खंड को एक निश्चित-लंबाई वाले वेक्टर में बदल दिया जाता है जिसे स्पीकर एम्बेडिंग कहा जाता है (ऐतिहासिक रूप से आई-वेक्टर या एक्स-वेक्टर, अब आमतौर पर ईसीएपीए-टीडीएनएन जैसे तंत्रिका एम्बेडिंग)। क्लस्टरिंग चरण (एग्लोमेरेटिव क्लस्टरिंग या स्पेक्ट्रल क्लस्टरिंग) सेगमेंट को स्पीकर में समान एम्बेडिंग के साथ समूहित करता है, अक्सर स्पीकर की संख्या को पहले से जाने बिना। अंत में, सीमाओं को परिष्कृत किया जाता है और अतिव्यापी भाषण का समाधान किया जाता है। महत्वपूर्ण बात यह है कि डायरीकरण के लिए यह जानने की आवश्यकता नहीं है कि नाम से लोग कौन हैं; यह केवल "स्पीकर 1" और "स्पीकर 2" जैसे अनाम लेबल निर्दिष्ट करता है। सटीकता को डायराइज़ेशन त्रुटि दर (डीईआर) से मापा जाता है, जो छूटे हुए भाषण, झूठे अलार्म और वक्ता के भ्रम को जोड़ती है।