Rozpoznawanie mówcy po głosie to domysł, nie fakt

Rozprawy nagrywane jednym mikrofonem nie dają systemowi żadnego twardego sygnału, kto akurat mówi. A ktoś musi odpowiedzieć na pytanie „kto to powiedział” — pytanie, które w protokole nie może zostać bez odpowiedzi.

Domysł z miarą pewności

Model rozpoznający mówcę po głosie przypisuje wypowiedź do konkretnej osoby na podstawie porównania z wcześniejszymi wypowiedziami tej osoby w tej samej rozmowie. To jest domysł — dobrze uzasadniony statystycznie, ale wciąż domysł, nie fakt. Dlatego każdemu przypisaniu towarzyszy miara pewności, liczona z zapasu odróżnienia między dwoma skupiskami głosu. Przypisanie z niską pewnością trafia do sprawdzenia przez człowieka dokładnie tak samo, jak niepewnie rozpoznany fragment tekstu.

Fakt zawsze wygrywa z domysłem

Gdy rozprawa nagrywana jest dwoma kanałami sprzętowymi — osobny mikrofon na osobę — model rozpoznający głos w ogóle nie jest pytany. Kanał sprzętowy jest faktem, a fakt nigdy nie ustępuje domysłowi, niezależnie od tego, jak pewny siebie jest model.

Ekran mówi to wprost

Interfejs zawsze zaznacza, kiedy etykieta mówcy jest domysłem opartym na głosie, a kiedy wynika wprost z kanału nagrania. Bez zainstalowanego modelu rozpoznawania głosu system spada na neutralne etykiety i mówi to wprost na ekranie — nigdy nie udaje, że rozpoznał kogoś, kogo w rzeczywistości nie rozpoznał.

Dlaczego to rozróżnienie ma znaczenie

Protokół, w którym każda wypowiedź wygląda tak samo pewnie przypisana, jest mylący — sugeruje precyzję, której nagranie z jednym mikrofonem fizycznie nie może dostarczyć. Uczciwe oznaczenie niepewności jest częścią rzetelności dokumentu, nie jego słabością.

Poznaj funkcje transkrypcji rozpraw →