Strona główna › Kto co powiedział

Transkrypcja z podziałem na mówców

Kto co powiedział — rozpoznawanie mówców w nagraniu

Przy nagraniu z kilkoma osobami sam tekst nie wystarcza. Rozpoznawanie mówców w nagraniu rozdziela je na głosy, podpisuje kolejne wypowiedzi i pozwala nadać mówcom imiona, które program rozpoznaje także w kolejnych nagraniach. Wszystko dzieje się na Twoim Macu — plik audio nigdzie nie jest wysyłany.

Na czym polega rozpoznawanie mówców w nagraniu

Zwykła transkrypcja odpowiada na pytanie, co zostało powiedziane. Przy nagraniu z kilkoma osobami to za mało: ściana tekstu bez wskazania, kto wypowiedział które zdanie, jest praktycznie bezużyteczna przy wywiadzie, rozmowie rekrutacyjnej czy spotkaniu zespołu. Podział na mówców odpowiada na drugie pytanie — kto to powiedział. W literaturze technicznej nazywa się to diaryzacją, ale w wyszukiwarce ludzie wpisują raczej „kto co powiedział w nagraniu”.

Mechanizm jest w skrócie taki: program wykrywa, w których momentach ktokolwiek mówi, wycina te fragmenty, a następnie wylicza dla każdego z nich cyfrowy odcisk brzmienia głosu. Fragmenty o podobnym odcisku trafiają do jednej grupy — i ta grupa staje się „mówcą 1”, „mówcą 2” i tak dalej. Dopiero potem każdy fragment jest zamieniany na tekst. Wynik to zapis, w którym kolejne wypowiedzi są podpisane i opatrzone znacznikiem czasu.

Imiona zamiast „mówca 1”

Grupy głosów nie mają same z siebie nazwisk — program słyszy różnicę między dwoma głosami, ale nie wie, do kogo należą. Nadajesz je sam: klikasz „mówcę 1”, wpisujesz imię, a cały zapis aktualizuje się od razu. Jeśli w jednym miejscu przypisanie się rozjechało, poprawiasz pojedynczą wypowiedź ręcznie.

Nadane imię można zapamiętać jako profil głosowy. Wtedy ta sama osoba zostaje rozpoznana także w kolejnych nagraniach — przy cyklicznych spotkaniach zespołu albo serii wywiadów z tym samym rozmówcą oszczędza to sporo klikania. Profil przechowywany jest lokalnie na Twoim dysku, razem z resztą biblioteki nagrań; nie jest nigdzie wysyłany i możesz go usunąć.

Jeśli wiesz z góry, ile osób jest w nagraniu, możesz podać tę liczbę w ustawieniach. Podpowiedź zwykle pomaga, szczególnie przy krótkich nagraniach, gdzie automatyczne ustalenie liczby głosów jest najtrudniejsze.

Profil głosowy to dane osobowe

Brzmienie czyjegoś głosu identyfikuje konkretną osobę, więc zapisany profil jest daną osobową i tak trzeba go traktować — nawet jeśli leży wyłącznie na Twoim dysku i nigdzie nie jest wysyłany. W praktyce: poinformuj osoby nagrywane, że nagranie jest przetwarzane i że rozpoznawanie ma działać także w kolejnych spotkaniach, i uzyskaj ich zgodę. Usuwaj profile, których już nie potrzebujesz.

Sama architektura programu — brak konta, brak serwera, plik audio nie opuszcza Maca — ogranicza liczbę podmiotów, które w ogóle mają styczność z nagraniem. Nie deklarujemy natomiast zgodności z RODO ani żadnej certyfikacji: ocena podstawy prawnej, celu i okresu przechowywania należy do administratora danych, w praktyce do Twojego IOD lub działu prawnego.

Zanim naciśniesz nagrywanie

Nagranie rozmowy, w której sam uczestniczysz, nie jest w Polsce przestępstwem z art. 267 Kodeksu karnego — ten przepis dotyczy uzyskiwania dostępu do cudzej komunikacji, która nie była przeznaczona dla Ciebie, i to ten czyn jest zagrożony karą pozbawienia wolności. Legalność nie zwalnia jednak z konsekwencji cywilnych: potajemne nagranie narusza dobra osobiste rozmówcy, w tym tajemnicę komunikowania się (art. 23 i 24 Kodeksu cywilnego). W miejscu pracy dochodzi warstwa monitoringu pracowników — art. 22² i następne Kodeksu pracy wymagają wcześniejszej informacji w regulaminie lub obwieszczeniu, a stanowisko UODO wobec nagrywania dźwięku w firmie jest restrykcyjne.

Praktyczna kolejność: uprzedź na początku spotkania, odnotuj zgodę w transkrypcji (najprościej — niech padnie na nagraniu), a przy sprzeciwie nie nagrywaj. To informacja, nie porada prawna. Nie dajemy też gwarancji wykorzystania transkrypcji jako dowodu w jakimkolwiek postępowaniu.

Gdzie to zawodzi — uczciwie

Podział na mówców jest najbardziej wrażliwą częścią całego procesu i warto wiedzieć, kiedy planować dłuższą korektę.

• Mówienie jednocześnie. Gdy dwie osoby wchodzą sobie w słowo, fragment trafia do jednego z głosów albo do obu z błędem. Żaden system tego nie rozwiązuje w pełni.
• Bardzo podobne głosy. Dwaj mężczyźni o zbliżonej barwie albo rodzeństwo bywają łączone w jedną grupę.
• Słaby dźwięk. Nagranie z drugiego końca sali, z głośnika telefonu albo z mocnym pogłosem psuje odciski głosu bardziej niż samo rozpoznawanie słów.
• Bardzo krótkie wtrącenia. „Tak”, „zgadza się”, „mhm” to za mało materiału, żeby pewnie przypisać je do osoby.
• Jeden mikrofon dla całej sali. Im dalej mówca, tym mniej wyrazisty jego głos — przy rozmowie przy stole konferencyjnym różnice bywają zbyt subtelne.

Najskuteczniejsza poprawka jest po stronie nagrania, a nie oprogramowania: mikrofon bliżej rozmówców, mniej pogłosu, jedna osoba mówiąca naraz. Reszta to ręczna korekta w gotowym zapisie, która przy dobrym materiale sprowadza się do kilku miejsc.

Do czego to się realnie przydaje

• Wywiady badawcze i prace dyplomowe. Zapis z podpisanymi wypowiedziami to podstawa kodowania materiału; ręczne rozdzielanie ról bywa dłuższe niż samo przepisywanie.
• Spotkania zespołu. Notatka, w której widać, kto co zadeklarował, jest czymś innym niż lista zdań bez autorów.
• Rozmowy rekrutacyjne i rozmowy HR. Materiał wrażliwy, przy którym decyzja o tym, czy nagranie w ogóle wychodzi z komputera, jest odrębną kwestią.
• Kancelarie i doradztwo. Rozmowy objęte tajemnicą zawodową, gdzie przekazanie nagrania zewnętrznej usłudze jest samodzielną decyzją, a nie formalnością.
• Dziennikarstwo. Przy publikacji wypowiedzi pamiętaj o art. 14 Prawa prasowego i o autoryzacji — surowa transkrypcja jest Twoim materiałem roboczym, a nie zgodą rozmówcy na druk.

Wymagania, cena i wersja bezpłatna

Podział na mówców działa też w wersji bezpłatnej, więc sprawdzisz go na własnym nagraniu przed zakupem — bez konta i bez płatności. Kwota 49,99 $ to cena sklepowa w dolarach; w polskim App Store zobaczysz obowiązującą kwotę w złotych. Jeśli chcesz najpierw zobaczyć, jak wygląda sama ścieżka od pliku do tekstu, zajrzyj do opisu przepisania nagrania na tekst.

Częste pytania

Zobacz też