Диаризация

Диаризация (или разделение дикторов) — процесс разделения входящего аудиопотока на однородные сегменты в соответствии с принадлежностью аудиопотока тому или иному говорящему. Диаризация повышает качество текстов при автоматическом транскрибировании, а также может использоваться совместно с системой распознавания речи, значительно её улучшая. Диаризация используется для ответа на вопрос «Кто сейчас говорит?». Диаризация является сочетанием методов сегментации и кластеризации дикторов. Первый направлен на поиск точек смены диктора, второй — на группирование выделенных в речи диктора речевых сегментов.

Одним из популярных методов при диаризации является использование алгоритмов на основе гауссовых смесей для моделирования каждого из говорящих и закрепление выделенных фрагментов за каждым из дикторов с помощью скрытой марковской модели.

Программное обеспечение

Программные средства для диаризации включают в себя:

• ALIZE
• LIUM_SpkDiarization
• Audioseg — сегментация и классификация аудиопотоков
• SHoUT
• pyAudioAnalysis

Литература

• Будков В. Ю., Ронжин А. Л. Комбинированные методы диаризации речи дикторов. «Информационно-измерительные и управляющие системы» № 8, 2013.
• Anguera, Xavier et al. Speaker diarization: A review of recent research // Audio, Speech, and Language Processing, IEEE Transactions on. — IEEE, 2012. — Vol. 20. — P. 356—370. — ISSN 1558-7916. — doi:10.1109/TASL.2011.2125954.
• Beigi, Homayoon. Fundamentals of Speaker Recognition. — Springer, 2011. — 942 p. — ISBN 978-0-387-77591-3.