Forsiden › Hvem sa hva i opptaket

Talerinndeling · Flere stemmer i samme opptak

Hvem sa hva i opptaket?

Et transkript av et møte eller et intervju blir først brukbart når det står hvem som snakker. Lesskeys deler opptaket automatisk opp etter stemme, du gir talerne navn, og navngitte stemmer kjennes igjen i senere opptak — alt sammen lokalt på Mac-en.

Hva talerinndeling er

En sammenhengende tekstvegg fra et møte med fem personer er nesten ubrukelig. Det du trenger, er å se hvem som sa hva. Det gjøres i to trinn som kjøres etter hverandre: først deles lyden opp der stemmen skifter, deretter samles bitene som tilhører samme stemme, i én og samme taler. Fagordet er diarisering av talere (engelsk speaker diarization) — ikke å forveksle med diarisering av dokumenter i et arkivsystem, som er noe helt annet. På norsk sier folk flest «talerinndeling», «skille talerne» eller «hvem sa hva».

Merk at dette er noe annet enn selve talegjenkjenningen. Talegjenkjenning svarer på hva som ble sagt, talerinndelingen på hvem som sa det. Begge deler kjøres på din egen Mac, og lyden lastes ikke opp noe sted.

Slik virker det i praksis

• Automatisk oppdeling. Opptaket deles etter stemme uten at du gjør noe. Antall talere anslås automatisk med mindre du oppgir det.
• Navngiving. Du bytter «Taler 1» ut med et navn. Hele transkriptet oppdateres i samme slengen.
• Retting. Er en replikk lagt på feil taler, flytter du den. Rettingen gjelder videre i transkriptet.
• Gjenkjenning senere. En navngitt stemme kjennes igjen i senere opptak, fordi en stemmeprofil lagres lokalt på maskinen din.
• Oppgi antall talere. Vet du at dere var tre, kan du si det. Det gir jevnt over ryddigere inndeling enn å la appen gjette.

Resultatet er et transkript der hver replikk har navn og tidsmarkør, og der du kan klikke deg rett til stedet i lyden for å høre hva som faktisk ble sagt.

Stemmeprofilen: hva som lagres, og hvor

Gjenkjenning på tvers av opptak forutsetter at noe blir husket. Det som lagres, er en stemmeprofil: en tallrepresentasjon av stemmens klang, knyttet til navnet du selv har satt. Profilen ligger på din egen maskin, sammen med opptakene og transkriptene, og sendes ikke til noen server.

To ting bør sies rett ut om dette. For det første: en stemmeprofil er en personopplysning. Du bør informere dem det gjelder om at den lagres, og innhente samtykke; du kan slette en profil når som helst, og da er koblingen borte. For det andre: dette er ikke biometrisk identifikasjon av ukjente personer. Appen finner ikke ut hvem en fremmed stemme tilhører. Profilene er lokale merkelapper du selv har satt på stemmer du selv kjenner igjen — verktøyet vet ingenting om noen ut over det du har fortalt det.

Vi hevder ikke samsvar med personvernregelverket eller noen sertifisering. Dette er en beskrivelse av hva som lagres og hvor; om nettopp din bruk er lovlig, avgjøres av formålet og av regelverket du er underlagt, og hører hjemme hos personvernombudet eller juridisk avdeling. Datatilsynet er tilsynsmyndighet.

Si fra før du tar opp andre

Å ta opp en samtale du selv deltar i, er ikke straffbart i Norge. Skjult opptak av en samtale du ikke deltar i, rammes derimot av straffeloven § 205. «Ikke straffbart» er likevel ikke det samme som greit:

• Arbeidslivet. Skjult opptak av kolleger regnes som brudd på lojalitetsplikten og har vært grunnlag for oppsigelse. Settes opptak i system som et kontrolltiltak, utløser det drøftingsplikt med tillitsvalgte etter arbeidsmiljøloven kapittel 9.
• Taushetsplikt. Helsepersonell (helsepersonelloven § 21), advokater, psykologer, kommunal saksbehandling og HR har egne plikter som gjelder uansett hvor lyden behandles.
• Kildevern. For journalister begynner kildevernet med spørsmålet om hvem som får høre opptaket i det hele tatt.
• Forskning og studentarbeid. Intervjuopptak håndteres etter institusjonens rutiner og vurderingen som gjøres gjennom Sikt; hvor opptakene kan lagres og behandles, er ofte regulert i selve prosjektgodkjenningen.

Praktisk gjør du dette: si fra før du starter, noter samtykket øverst i referatet, fortell at navngitte stemmeprofiler lagres lokalt, og la være å ta opp hvis noen sier nei. Dette er veiledning, ikke juridisk rådgivning.

Der talerinndeling blir feil

Inndelingen er god på ryddig lyd og svakere på rotete lyd. Det er ærligere å si hvor det svikter enn å love at det ikke gjør det:

Vi oppgir ingen nøyaktighetsprosent — vi har ingen egen måling å vise til. Regn med at inndelingen må rettes noen steder, akkurat som selve teksten. Det finnes ingen garanti som juridisk dokumentasjon.

Slik får du et bedre resultat

• Legg mikrofonen nær dem som snakker. Dette betyr mer enn alt annet på denne listen.
• Oppgi antall talere når du vet det. Å gjette riktig antall er den vanskeligste delen av jobben.
• Unngå høyttalertelefon når du kan. Et headset til hver deltaker gir mye renere inndeling.
• La folk snakke ferdig. Overlapp er den vanligste årsaken til at replikker havner feil.
• Navngi talerne tidlig. Da blir resten av gjennomlesingen langt raskere, og profilene kan gjenbrukes neste gang.
• Ta en runde i begynnelsen der hver deltaker sier navnet sitt. Det gjør navngivingen etterpå triviell.

Hvor det gjør størst forskjell

Talerinndeling betyr mest når svaret på «hvem sa dette» faktisk har konsekvenser. Å transkribere et intervju med flere personer er det klareste eksempelet: i journalistikk og i oppgaveskriving er sitatet verdiløst uten en avsender. I møter er det ansvarsfordelingen som ligger i replikkene — grunnlaget for et møtereferat, som er noe annet enn en formell protokoll fra et styremøte eller en generalforsamling. I forskningsintervjuer skiller inndelingen intervjuerens spørsmål fra informantens svar, og i podkastproduksjon gir den grunnlaget for undertekster med navn.

Har du allerede filen, leser du den inn slik: gjør lydfil om til tekst. Transkriptet kan eksporteres som tekst, eller som undertekster i SRT- og VTT-format.

Krav og pris

Talerinndelingen krever ikke noe ekstra kjøp og ingen egen tjeneste; den kjører på GPU-en i Mac-en sammen med talegjenkjenningen, som dekker 99 språk og bestemmer språket automatisk per opptak. Kravene er macOS 13 (Ventura) eller nyere og en Mac med Apple Silicon (M1 eller nyere) — påkrevd, ikke anbefalt, siden appen ikke kjører på Intel-Macer.

Nedlastingen er gratis. Gratisversjonen gir 5 lyd- og 5 videotranskripsjoner totalt (ikke per dag) og 5 minutter diktering per dag; opptak er alltid ubegrenset, og å transkribere på nytt noe du allerede har transkribert, koster ingenting. Pro låses opp med ett engangskjøp i appen på 49,99 $, uten abonnement. Dikteringsminuttene gjelder den andre halvdelen av appen, der teksten legges på utklippstavlen og limes inn av deg med ⌘V — appen skriver aldri inn i andre programmer på egen hånd. Prøv gjerne inndelingen på et opptak som ligner dem du faktisk jobber med — flere stemmer, samme rom — før du bestemmer deg.

Ofte stilte spørsmål

Les også