اسپیکر ڈائرائزیشن

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

ڈائرائزیشن آڈیو کو مراحل میں پروسیس کرتی ہے۔ سب سے پہلے، آواز کی سرگرمی کا پتہ لگانے سے تقریر کے علاقوں کا پتہ چلتا ہے۔ اس کے بعد تقریر کو مختصر حصوں میں کاٹا جاتا ہے، اور ہر طبقہ ایک مقررہ لمبائی کے ویکٹر میں تبدیل ہوجاتا ہے جسے اسپیکر ایمبیڈنگ کہتے ہیں (تاریخی طور پر i-vectors یا x-vectors، جو اب عام طور پر ECAPA-TDNN کی طرح اعصابی سرایت کرتے ہیں)۔ ایک کلسٹرنگ مرحلہ (مجموعی کلسٹرنگ یا اسپیکٹرل کلسٹرنگ) سپیکر میں اسی طرح کے سرایت کے ساتھ حصوں کو گروپ کرتا ہے، اکثر بولنے والوں کی تعداد کو پہلے سے جانے بغیر۔ آخر میں، حدود کو بہتر کیا جاتا ہے اور اوور لیپنگ تقریر کو حل کیا جاتا ہے. اہم بات یہ ہے کہ ڈائرائزیشن کے لیے یہ جاننے کی ضرورت نہیں ہے کہ نام سے لوگ کون ہیں۔ یہ صرف "اسپیکر 1" اور "اسپیکر 2" جیسے گمنام لیبل تفویض کرتا ہے۔ درستگی کی پیمائش ڈائرائزیشن ایرر ریٹ (DER) سے کی جاتی ہے، جو کہ یاد شدہ تقریر، جھوٹے الارم، اور اسپیکر کی الجھن کو یکجا کرتی ہے۔