
Teknik not
Speaker Diarization Nedir? Yapay Zekâ Konuşmacıları Nasıl Ayırır?

Bir toplantı kaydını yazıya çevirdiğinizde, yalnızca kelimeleri bilmek çoğu zaman yetmez. Speaker diarization (konuşmacı ayırma), ses kaydındaki konuşma parçalarını “kim, ne zaman konuştu?” sorusuna göre zaman çizelgesine yerleştirir. Sonuç genellikle gerçek isimler değil, SPEAKER_00 ve SPEAKER_01 gibi anonim etiketlerdir.

Transkripsiyon ile konuşmacı ayırma arasındaki fark
Otomatik konuşma tanıma (ASR), “hangi kelimeler söylendi?” sorusunu yanıtlar. Diarization ise “bu kelimeler kayıtta hangi konuşmacının hangi zaman aralığında söyledi?” bilgisini ekler. Sistem bu etiketleri genellikle ses içindeki benzerliklere göre oluşturur; tek başına kişinin adını veya kimliğini bilmez.
Örnek bir çıktı şöyle okunabilir:
00:00–00:03 — SPEAKER_00: Toplantıya başlayalım.00:03–00:05 — SPEAKER_01: Hazırım.00:04–00:06 — SPEAKER_00: Önce takvimi gözden geçirelim.
Son iki aralık kesişiyor: iki kişi aynı anda konuşmuş. Kullandığınız çıktı biçimi üst üste konuşmayı korumuyorsa, bu an tek konuşmacıya indirgenebilir veya bir bölüm kaybolabilir.
Bir diarization sistemi nasıl çalışır?
Uygulamalar farklı olsa da birçok sistem birkaç temel işi bir araya getirir:
- Konuşma bölgelerini bulur: Sessizlik ile konuşmayı ve yaklaşık konuşma başlangıç-bitişlerini ayırır.
- Konuşmacı izlerini çıkarır: Sesin özelliklerinden, farklı bölümlerin aynı kişiye ait olup olmadığını karşılaştırmaya yarayan temsil vektörleri üretir.
- Bölümleri gruplar: Benzer ses parçalarını aynı etikette birleştirir; bu gruplama çoğu zaman kümeleme içerir.
- Zaman çizelgesini oluşturur: Her konuşma parçasına başlangıç, bitiş ve konuşmacı etiketi verir. Bazı sistemler çakışan konuşmaları ayrıca işaretler.
Pyannote.audio’nun yayımlanmış çalışması konuşma etkinliği, konuşmacı değişimi, üst üste konuşma algılama ve konuşmacı gömmeleri gibi yapı taşlarını anlatır. Güncel uygulama arayüzü de zaman aralıklarıyla etiketleri ve çakışmayı koruyan/tek konuşmacılı alternatif çıktıları gösterir. Araştırma makalesini ve pyannote.audio uygulama örneğini inceleyebilirsiniz.
Pratikte daha güvenilir sonuç için 5 adım
- Önce kullanım amacını belirleyin. Toplantı özeti, çağrı analizi veya röportaj düzenleme farklı hata toleranslarına sahiptir.
- Konuşmacı sayısı biliniyorsa sınır verin. Örneğin kayıtta kesin olarak iki kişi varsa, kullandığınız model destekliyorsa
num_speakers=2veya alt/üst sınır kullanın. Pyannote model kartında bu seçenekler örneklenir. - Etiketi kişiye dönüştürmeyin.
SPEAKER_00yalnızca dosya içindeki tutarlı bir etikettir; gerçek adla eşleştirme için insan kontrolü gerekir. - En zor bölümleri özellikle dinleyin. Kısa “evet” yanıtları, aynı anda konuşma, arka plan gürültüsü ve mikrofon uzaklığı sık hata kaynağıdır. Önemli karar veya alıntıları ham sesle karşılaştırın.
- Kendi kayıtlarınızda ölçün. Temsilî bir örnek kümesini elle etiketleyip yanlış konuşmacı ataması, kaçırılan konuşma ve konuşma olmayan yere eklenen konuşma hatalarını ayrı inceleyin. Tek bir doğruluk puanı sorunun nerede olduğunu saklayabilir.
DER puanını tek başına yorumlamayın
Diarization Error Rate (DER), sistemin konuşma süresini ne ölçüde doğru konuşmacıya atadığını özetleyen yaygın bir ölçüdür. Ancak karşılaştırma; test verisi, çakışan konuşmaların hesaba katılması ve sınır toleransı gibi değerlendirme ayarlarına bağlıdır. Bu nedenle farklı ayarlarda raporlanan iki DER değerini doğrudan kıyaslamayın. Pyannote model kartı, farklı veri kümelerinde DER ile birlikte kaçırma, yanlış alarm ve konuşmacı karışıklığı ölçülerini raporlar.
Ne zaman işe yarar?
Konuşmacı zaman çizelgesi; toplantı dökümlerini düzenlemek, röportajları bölümlemek, podcast’te konuşmacı değişimlerini bulmak ve çağrı kayıtlarını incelemek için yararlıdır. En iyi sonuç, otomatik etiketleri kesin gerçek kabul etmek yerine, zaman damgalarını metinle eşleştirip belirsiz ve çakışan bölümleri insanın kontrol etmesiyle alınır.
Kısaca: ASR kelimeleri çıkarır; diarization konuşma parçalarını anonim konuşmacı etiketlerine ve zaman aralıklarına bağlar. İkisini birlikte kullanınca kayıt daha düzenli hâle gelir, ancak son kontrol özellikle örtüşen ve gürültülü bölümlerde önemlidir.