Godzinny wywiad przepisywany ręcznie to kilka godzin pracy. I to jeszcze nie koniec, bo potem trzeba oznaczyć, kto co powiedział. Transkrypcja z podziałem na mówców załatwia obie rzeczy naraz: zamienia nagranie na tekst i przypisuje każdą wypowiedź konkretnej osobie. Do tego dochodzi zwykle znacznik czasu, dzięki któremu wrócisz do właściwego miejsca w nagraniu w kilka sekund. W praktyce dostajesz zapis w rodzaju „Mówca 1, 02:14″ i „Mówca 2, 02:31″; etykiety możesz potem zamienić na imiona albo role.
Czym jest transkrypcja z podziałem na mówców?
Fachowo nazywa się to diaryzacją, po angielsku speaker diarization. Sam system rozpoznawania mowy ustala, co padło w rozmowie, a diaryzacja odpowiada na drugą kwestię, czyli kto i kiedy mówił. Bez niej rozmowa trzech osób zamienia się w jeden długi blok tekstu, z którego trudno cokolwiek zacytować.
Łatwo pomylić diaryzację z rozpoznawaniem mówcy, choć to dwie różne technologie. Ta druga sprawdza, czy głos należy do znanej, wcześniej zarejestrowanej osoby, i tak działa choćby weryfikacja głosowa w banku – hasło wypowiadasz, zamiast je wpisywać. Diaryzacja nie musi wiedzieć, kim jesteś; wystarczy jej, że Twój głos różni się od głosu rozmówcy. Dlatego narzędzia nadają najpierw neutralne etykiety, a prawdziwe nazwy wpisujesz Ty.
Jak AI rozpoznaje, kto mówi?
Szczegóły zależą od dostawcy. Większość systemów przechodzi jednak przez podobne etapy, a na początku algorytm oddziela fragmenty z głosem od ciszy, muzyki i szumu. Potem tnie nagranie na krótkie odcinki, w których najpewniej mówi jedna osoba. Z każdego odcinka model wylicza wektor cech głosu – tak zwany embedding – czyli liczbowy opis barwy i sposobu mówienia. Podobne wektory trafiają do jednej grupy mówcy. Na końcu etykiety łączą się z tekstem, a krótkie urywki zostają sklejone w pełne wypowiedzi.
Gdzie to się psuje? Najczęściej na etapie grupowania. Dwa podobne głosy potrafią wylądować w jednym worku, co zdarza się choćby przy rodzeństwie albo konsultantach z tej samej zmiany. Bywa też odwrotnie. Osoba, która raz mówi cicho, a raz podnosi głos, zostaje czasem rozbita na dwóch różnych „mówców”.
Co wpływa na jakość podziału na mówców?
Jakość diaryzacji mierzy się wskaźnikiem DER (Diarization Error Rate). Sumuje on trzy rodzaje błędów: pominiętą mowę, fałszywe alarmy i pomylonych rozmówców. Dostawcy rzadko publikują DER dla języka polskiego, więc o wyniku i tak przesądzi test na Twoich nagraniach. Najwięcej zależy od kilku czynników.
Kanały nagrania to różnica, którą najłatwiej przeoczyć. Rozmowa telefoniczna nagrana w stereo, z każdym rozmówcą na osobnym kanale, praktycznie rozwiązuje problem podziału. System po prostu wie, kto siedzi po lewej, a kto po prawej stronie. Nagranie mono z dyktafonu położonego na stole wymaga już pełnej analizy akustycznej, więc margines błędu rośnie.
Spore kłopoty sprawia też mowa nakładająca się. Gdy dwie osoby mówią jednocześnie, większość modeli przypisuje fragment tylko jednej z nich. W ożywionych dyskusjach i grupach fokusowych to główne źródło pomyłek. Podobnie działa liczba uczestników. Dwie osoby to najprostszy przypadek; przy pięciu czy sześciu głosach system myli się częściej, zwłaszcza gdy ktoś odzywa się tylko raz.
Zostaje jeszcze akustyka i słownictwo. Pogłos, szum ulicy i sprzęt ustawiony daleko od ust obniżają jakość zarówno tekstu, jak i podziału. Polski z nazwami produktów, skrótami i żargonem branżowym jest dla modeli trudniejszy niż ogólny angielski. Część narzędzi pozwala więc dodać własny słownik albo wybrać model dziedzinowy.
Automatycznie, z post-edycją czy ręcznie?
Na rynku działają trzy modele pracy, a wybór zależy głównie od tego, do czego potrzebujesz gotowego tekstu.
|
Model |
Jak działa |
Kiedy ma sens |
|---|---|---|
|
Automatyczna transkrypcja AI |
Algorytm sam transkrybuje i dzieli wypowiedzi |
Notatki ze spotkań, wywiady do analizy, duże wolumeny rozmów |
|
Automatyczna z post-edycją |
Transkrybent poprawia tekst i przypisanie mówców |
Publikacje, cytaty prasowe, materiały dla klienta |
|
Ręczna lub hybrydowa |
Człowiek przepisuje i oznacza wszystko |
Nagrania słabej jakości, materiały prawne, zapis dosłowny |
Różnice widać w cennikach. Transkryptor – polska firma działająca od 2008 roku – wycenia transkrypcję automatyczną bez podziału na osoby na 0,49 zł netto za minutę. Wariant z post-edycją i podziałem kosztuje 1,19 zł netto. Narzędzia abonamentowe liczą z kolei za pulę godzin w miesiącu, co przy regularnej pracy z wywiadami zwykle wychodzi taniej niż płatność za minutę.
Jedno warto mieć z tyłu głowy: automat daje zapis czytelny, a nie dosłowny, więc wtrącenia typu „yyy”, pauzy i urwane zdania zwykle znikają. Dla notatki ze spotkania to zaleta. Jeśli jednak Twoja metoda badawcza wymaga zapisu dosłownego (np. w analizie konwersacyjnej), dodasz te elementy przy weryfikacji.
Jak zrobić transkrypcję rozmowy z podziałem na mówców krok po kroku?
Sam proces jest prosty, a najwięcej czasu pochłania przygotowanie nagrania i późniejsze sprawdzenie wyniku. Skróty tu zwykle się mszczą.
- Nagraj z myślą o transkrypcji. Najlepiej na osobnych mikrofonach, a rozmowę telefoniczną w stereo.
- Zadbaj o format pliku. WAV zachowuje więcej informacji niż mocno skompresowany MP3, choć większość narzędzi przyjmie też M4A czy MP4.
- Wgraj plik i wskaż język. Jeśli serwis pyta o liczbę uczestników, podaj ją, bo to zwykle poprawia wynik.
- Nazwij mówców. Imię, rola albo kod w rodzaju R1 i R2, gdy uczestnicy mają pozostać anonimowi.
- Porównaj cytaty z nagraniem. Znaczniki czasu pozwalają przeskoczyć prosto do danego miejsca.
- Wyeksportuj tekst. DOCX przyda się do pracy dyplomowej i programów takich jak MAXQDA czy NVivo; SRT i VTT posłużą do napisów, a JSON do własnych skryptów.
Rozmowy telefoniczne i call center to osobna kategoria
Narzędzia do wywiadów i spotkań pracują na pojedynczych plikach. W call center skala wygląda inaczej, bo dziennie spływają setki albo tysiące połączeń z istniejącej telefonii. Ręczny odsłuch obejmuje zwykle mały wycinek rozmów, więc dział jakości ocenia konsultantów na podstawie losowej próbki. Reszta nagrań leży nietknięta.
Tu lepiej sprawdzają się platformy projektowane pod telefonię. Przykładem jest InOro, w którym transkrypcja rozmowy z podziałem na mówców działa na nagraniach z call center. System rozdziela konsultanta i klienta, a najlepsze wyniki osiąga na nagraniach stereo dwukanałowych – dokładnie z tego powodu, o którym była mowa przy kanałach nagrania. Transkrypt i streszczenie są gotowe po 30-60 sekundach. Platforma obsługuje polski i angielski, maskuje dane wrażliwe (PESEL, numery kart) i działa na hostingu w UE.
InOro samo niczego nie nagrywa. Pracuje na plikach z firmowej centrali, pobieranych przez API, SFTP albo konektory do Genesys, Avaya czy Cisco. Dla zespołu QA ważniejsze od samego tekstu jest jednak coś innego: gdy transkrybujesz wszystkie rozmowy, możesz je przeszukiwać i porównywać zamiast losować kilka nagrań. Cennik zaczyna się od 0,20 zł za analizowaną minutę, a system da się sprawdzić w 30-dniowym pilotażu na własnych nagraniach.
Na co zwrócić uwagę przy wyborze narzędzia?
Porównując oferty, łatwo dać się złapać na deklaracje w stylu „dokładność 95%”. Taki wynik często pochodzi z testów na angielskich nagraniach studyjnych – a nie z Twoich rozmów z klientami. Lepiej przejść przez krótką listę kontrolną.
- Język polski, także u rozmówców, którzy w trakcie przechodzą na angielski.
- Podział na mówców w cenie, bo u części dostawców to osobna, droższa opcja.
- Limity pliku, czyli maksymalna długość nagrania i jego rozmiar.
- Formaty eksportu zgodne z tym, co robisz dalej z tekstem.
- Bezpieczeństwo danych, w tym hosting w UE, szyfrowanie i zakaz trenowania modeli na Twoich plikach.
- Integracje w rodzaju API, webhooków i połączenia z CRM przy dużych wolumenach.
Jak to zweryfikować w praktyce? Weź jedno nagranie łatwe i jedno trudne, pełne przerywania sobie nawzajem, a potem przepuść oba przez dwa albo trzy serwisy. Policz, ile razy każdy pomylił mówców w pierwszych dziesięciu minutach. Zajmie to mniej czasu niż lektura rankingów.
Zgoda na nagrywanie i RODO
Nagranie głosu i jego transkrypcja to przetwarzanie danych osobowych. Przed rozmową poinformuj uczestników o nagrywaniu i jego celu. W rekrutacji, badaniach i wywiadach prasowych standardem jest wyraźna zgoda rozmówcy. Firmy nagrywające połączenia z klientami mówią o tym na początku rozmowy – i muszą mieć podstawę prawną przetwarzania.
Sama anonimizacja etykiet nie wystarczy. Nazwiska i numery wypowiedziane w trakcie rozmowy zostają przecież w tekście. Przed udostępnieniem transkrypcji trzeba je usunąć ręcznie albo użyć narzędzia, które maskuje takie dane automatycznie.
Najczęstsze pytania
Czy da się zrobić transkrypcję z podziałem na mówców za darmo?
Tak, choć w ograniczonym zakresie. Wiele narzędzi daje darmowe minuty lub godziny na start, zwykle bez podawania karty płatniczej. Przy regularnej pracy trzeba się liczyć z abonamentem albo opłatą za minutę nagrania.
Ile osób może rozpoznać narzędzie?
Technicznie nawet kilkanaście, ale jakość spada wraz z każdym kolejnym głosem – szczególnie gdy uczestnicy wchodzą sobie w słowo. Najlepiej wypadają rozmowy dwóch lub trzech osób nagrane czystym dźwiękiem.
Czy AI poradzi sobie z polskim nagraniem rozmowy telefonicznej?
Tak, jeśli narzędzie obsługuje polski. Nagrania telefoniczne mają węższe pasmo niż studyjne, dlatego tak dużo daje zapis stereo z rozdzielonymi kanałami.
Jak długo trwa transkrypcja godzinnego nagrania?
W narzędziach AI zwykle od kilku do kilkunastu minut, zależnie od obciążenia serwisu. Wersja ręczna lub z post-edycją to już godziny, a przy dużych zleceniach nawet dni.
