Диаризация

Диаризация спикеров — кто и что говорил

Наша система диаризации (Speaker Diarization) автоматически различает голоса спикеров, даже если они похожи или перебивают друг друга.

Доступна на всех тарифах, включая бесплатный «Старт».

Начать бесплатно Тарифы
Авто-разделение голосов Нейросеть диаризации 13.5% DER Имя у каждого слова
Серверы в РФ · 152-ФЗ На всех тарифах, включая бесплатный Русский и 99 языков
A
Спикер 01

Коллеги, давайте обсудим квартальный отчет.

M
Спикер 02

Я подготовила цифры. Рост составил 15%.

D
Спикер 03

Отличная работа! Давайте детали.

Как это работает?

Мы используем собственную нейросеть WonderScribe, которая анализирует спектральные характеристики голоса. Она создаёт «отпечаток» каждого говорящего и группирует сегменты аудио.

  • Неограниченное число спикеров Система сама определит, сколько людей участвует в беседе.
  • Редактор имен Переименуйте "Спикер 01" в "Иван", и это имя обновится во всем документе.
  • Умное сглаживание Мы убираем микро-паузы и объединяем разорванные фразы одного человека.

Как получить идеальные диалоги

Две минуты подготовки записи часто дают больше, чем час ручной разметки.

Очистка шума

Включайте “Авто/Всегда” для шумных записей — спикеры путаются реже.

Меньше перекрытий

Перебивания и смех — главный враг диаризации. Чем чище реплики, тем точнее разметка.

Переименуйте спикеров

Смените “Спикер 01” на реальные имена — документ сразу выглядит “как в протоколе”.

Соберите диалог автоматически

Загрузите запись встречи — получите реплики по говорящим и удобный редактор.

Начать бесплатно AI Саммари

Справка по диаризации · FAQ

FAQ — Диаризация

Частые вопросы про определение спикеров и построение диалогов.

Сколько спикеров система распознаёт?
Оптимально 2–7 голосов, технически поддерживается до 30 (например для конференций или фокус-групп). Под капотом — нейросеть наша диаризация (SOTA 2026), DER (Diarization Error Rate) на чистой записи 8–13%.

На точность диаризации влияют:
  • Перекрытия речи — когда говорят одновременно, точность падает на 10–15%. Помогает frame-level overlap detection (нейросеть сегментации)
  • Похожие тембры — два мужских голоса близкого возраста сложнее разделить, чем мужской + женский. Cosine threshold адаптивен под профиль
  • Длительность реплик — реплики <1 сек обрабатываются F0 (pitch) refinement, для коротких уточняем по высоте голоса
  • Качество записи — шум/эхо снижают точность; помогает очистка звука перед обработкой
Можно вручную указать ожидаемое число спикеров в настройках задачи — это повысит точность.
Можно ли переименовать «Спикер 01» в имя?
Да — в один клик в редакторе результата. Изменения применятся ко всем репликам сразу и попадут во все экспорты (TXT, DOCX, SRT, VTT, PDF, JSON).

Плюс автоматическое распознавание имён:
  • Самопредставление: «Меня зовут Иван…» → SPEAKER_01 автоматически переименуется в «Иван»
  • Вокативное обращение: «Анна, ответьте…» — система видит что обращаются к собеседнику и подставляет имя
  • Multi-channel записи (Zoom/Meet/Telemost): имена берутся из метаданных встречи — никакого ручного переименования
Защита от ложных имён: 217-словарь городов («Уфа», «Москва», «Питер») не станет именем спикера. Имена сверяются с базой из 100+ русских имён.
Почему иногда спикеры путаются?
3 основные причины + что с ними делать.
  • Похожие голоса (тёзки, родственники, близкий возраст) — cosine similarity слишком высокая. Решение: укажите точное число спикеров в настройках или объедините в редакторе
  • Перекрытия речи (перебивают, говорят одновременно) — frame-level overlap mask помогает на ~70% таких случаев. Остаток — ручная корректировка
  • Шум/эхо/телефонный звук — снижают качество эмбеддингов. Включите «Очистка звука → Авто» при загрузке (повышает точность диаризации на 5–10%)
Если 1 реальный голос разбился на двух «Спикеров» — в редакторе перетащите блок одного на другого, система объединит их одной кнопкой. Этот фикс попадёт в обучение и улучшит будущие задачи у вас в кабинете.
Можно ли сделать «диалог с новой строки»?
Да — это формат по умолчанию. Каждая смена спикера = новый блок с именем и таймкодом.

В разных экспортах форматирование такое:
  • TXT — «Спикер 1 [00:01:23]: текст реплики…» новой строкой
  • DOCX — жирный заголовок спикера, кликабельный таймкод (jumps to audio), отдельный абзац
  • PDF — две колонки: имена слева, реплики справа (для печати / суда)
  • SRT/VTT — субтитры с указанием спикера в формате `текст` (поддерживается YouTube Studio)
В редакторе слияние реплик одного спикера (если они подряд короткие) делается автоматически с порогом паузы 1,5 сек.
Что лучше: диаризация или просто сегментация паузами?
Зависит от типа записи. Правило простое:
  • Диаризация — для встреч, интервью, диалогов, подкастов, групповых обсуждений (2+ голоса). Получите «кто что сказал» — критично для протоколов, юр.экспертизы, журналистики
  • Сегментация по паузам — для лекций, монологов, диктовок, голосовых заметок (1 голос). Получите чистый текст в абзацах с пунктуацией — без оверхеда диаризации
Диаризация добавляет ~30–60 сек к обработке часовой записи (включая поиск эмбеддингов + кластеризация). При загрузке файла можно выбрать «Диаризация → Выкл» если уверены что один спикер — тогда сразу запустится pause-based сегментация. На «Старт» доступны оба режима.
Наверх