لماذا لا يزال فصل مكبرات الصوت في الصوت أمرًا مؤلمًا

فصل المتحدثهي واحدة من تلك المشاكل التي تبدو بسيطة حتى تحاول القيام بها بالفعل. لديك مقابلة مدتها ساعة، أو حلقة نقاش، أو تسجيل اجتماع. عليك أن تعرف من قال ماذا. يستغرق التنظيف اليدوي لمكبرات الصوت ووضع العلامات وقتًا طويلاً.

المصطلح الفني لهذا هومذكرات المتحدثوقد تحسنت بشكل كبير في السنوات القليلة الماضية بفضل الذكاء الاصطناعي. يمكن للأدوات الحديثة الآن تحليل أنماط الصوت، واكتشاف متى يتوقف شخص عن التحدث ويبدأ شخص آخر، وإخراج المقاطع المصنفة تلقائيًا. ولكن ما هي الأدوات التي تعمل بشكل جيد بالفعل؟ وكيف تختار بين الخيارات المجانية والمدفوعة والمفتوحة المصدر؟

كيف يعمل برنامج Diarization للمتحدث فعليًا

في جوهرها، تجيب مذكرات المتحدث على السؤال التالي: "من تكلم ومتى؟" تقوم نماذج الذكاء الاصطناعي بتحليل الإشارة الصوتية والبحث عن خصائص فريدة في كل صوت، مثل درجة الصوت والإيقاع والنغمة. يقومون بتقسيم التسجيل إلى مقاطع صغيرة وتجميع المقاطع المتشابهة معًا.

تتطلب بعض الأنظمة منك تحديد عدد السماعات مسبقًا. يكتشف الآخرون العدد تلقائيًا. جوجلتطبيق مسجليستخدم التعلم الآلي على الجهاز لتصنيف السماعات في الوقت الفعلي. OpenAIنموذج الهمسيتعامل مع النسخ ولكنه يحتاج إلى مكتبات إضافية للتدوين.

تعتمد دقة هذه الأدوات بشكل كبير على جودة الصوت. ستنتج التسجيلات النظيفة ذات الحد الأدنى من الضوضاء في الخلفية والميكروفونات المنفصلة لكل مكبر صوت نتائج أفضل دائمًا من ميكروفون واحد يلتقط غرفة بأكملها.

Speaker diarization process showing audio waveforms labeled by speaker

أفضل الأدوات لفصل السماعات تلقائيًا

لا توجد أداة واحدة أفضل هنا. يعتمد الاختيار الصحيح على مهارتك الفنية وميزانيتك وما تحتاج إلى المخرجات من أجله. فيما يلي تفصيل عملي للخيارات الأكثر موثوقية المتاحة الآن.

للمستخدمين غير التقنيين

وصف: يقوم بنسخ الصوت باستخدام تسميات السماعات ويتيح لك تحرير التسجيلات عن طريق تحرير النص. إنها واحدة من أسهل الأدوات التي يمكنك استخدامها إذا كنت تريد النسخ والتحرير في مكان واحد.
Otter.ai: يعمل بشكل جيد للاجتماعات والمقابلات. إنه يتكامل مع Zoom وGoogle Meet وMicrosoft Teams للنسخ في الوقت الفعلي مع تحديد المتحدث. تمنحك الطبقة المجانية دقائق محدودة شهريًا.
فاصل الصوت: خيار قائم على المستعرض يتعامل مع تنسيق مكبر الصوت لملفات الصوت والفيديو. يمكنك تحميل ملف والحصول على شرائح منفصلة لكل متحدث. لا يوجد حساب مطلوب للاستخدام الأساسي.

للمطورين والمستخدمين التقنيين

WhisperX: يجمع بين Whisper الخاص بـ OpenAI ومذكرات المتحدث. إنه مفتوح المصدر، ويعمل محليًا، ويعطي نتائج دقيقة. ستحتاج إلى لغة Python وبعض الراحة في التعامل مع سطر الأوامر.
pyannote.audio: مكتبة بايثون مصممة خصيصًا لتدوين المتحدثين. إنه قابل للتخصيص بدرجة كبيرة ويعمل بشكل جيد على إنشاء مذكرات في تطبيقاتك الخاصة. يتطلب رمز Hugging Face المميز لتنزيل النماذج المُدربة مسبقًا.
AssemblyAI: خدمة قائمة على واجهة برمجة التطبيقات (API) توفر مذكرات للمتحدث إلى جانب النسخ. مناسب للدمج في التطبيقات أو معالجة مجموعات كبيرة من الملفات برمجيًا.

مثلوأشار تك كرانش، نما الطلب على النسخ الآلي مع تحديد المتحدث بشكل ملحوظ مع ظهور العمل عن بعد والمختلط. لقد حسنت معظم هذه الأدوات من دقتها بشكل كبير خلال العام الماضي.

خطوة بخطوة: فصل مكبرات الصوت في التسجيل الخاص بك

بغض النظر عن الأداة التي تختارها، فإن سير العمل العام يتبع نفس النمط. إليك كيفية الحصول على أفضل النتائج.

1. قم بإعداد الصوت الخاص بك

ابدأ بأفضل صوت يمكنك الحصول عليه. إذا كان المصدر ملف فيديو، فاستخرج الصوت أولاً. يمكنك استخدام أدوات مثلفيديو لتحويل MP3أو FFmpeg من سطر الأوامر:

ffmpeg -i Meeting-recording.mp4 -vn -تنسيق mp3 Meeting-audio.mp3

استخدم التنسيقات غير المفقودة مثل WAV أو FLAC عندما يكون ذلك ممكنًا. تفقد التنسيقات المضغوطة مثل MP3 بعض التفاصيل الصوتية التي يمكن أن تؤثر على دقة الترميز.

2. قم بتشغيل اليوميات

قم بتحميل أو معالجة الصوت الخاص بك من خلال الأداة التي اخترتها. إذا كنت تعرف العدد الدقيق للمتحدثين، فحدده. وهذا يساعد الخوارزمية على تجنب تقسيم مكبر صوت واحد إلى مكبرين أو دمج مكبرين في مكبر واحد.

بالنسبة إلى WhisperX، يبدو الأمر كما يلي:

Whisperx audio.wav --diarize --min_speakers 2 --max_speakers 4

3. المراجعة والتنظيف

لا توجد أداة دقيقة بنسبة 100%. ستحتاج على الأرجح إلى مراجعة المخرجات وإصلاح بعض المقاطع المنسوبة بشكل خاطئ. لا يزال هذا أسرع بكثير من إجراء عملية وضع العلامات بالكامل يدويًا. تعمل أدوات مثل Descript على تسهيل هذه الخطوة لأنه يمكنك تحرير النص كنص ويتبعه الصوت.

Workflow diagram for speaker separation from recording to labeled output

نصائح التسجيل التي تجعل التدوين أكثر دقة

جودة الفصل الخاص بك لا تقل جودة عن جودة التسجيل الخاص بك. يمكن لبعض التغييرات الصغيرة في كيفية التسجيل أن تحسن النتائج بشكل كبير.

ميكروفونات منفصلة:امنح كل متحدث الميكروفون الخاص به كلما أمكن ذلك. هذا هو أكبر تحسن يمكنك القيام به. تعتبر ميكروفونات Lavalier رخيصة الثمن وفعالة لإجراء المقابلات.
تقليل الضوضاء الخلفية:سجل في غرفة هادئة. أغلق النوافذ، وأطفئ المراوح، وتجنب الغرف ذات الأسطح الصلبة التي تولد صدى.
تجنب الحديث المتبادل:عندما يتحدث المتحدثون مع بعضهم البعض، فحتى أفضل الذكاء الاصطناعي يعاني. اطلب من المشاركين التوقف قبل الرد. وهذا مهم بشكل خاص للمكالمات البعيدة.
استخدام معدلات عينة عالية:سجل بسرعة 44.1 كيلو هرتز أو أعلى. تفقد معدلات العينات المنخفضة الاختلافات الصوتية الدقيقة التي تعتمد عليها نماذج الترميز.

لمطوري الويب الذين يقومون بإنشاء حلول صوتية مخصصة، فإنوثائق MDN Web Audio APIيغطي معالجة الصوت المستندة إلى المتصفح بالتفصيل.

سيناريوهات العالم الحقيقي حيث يوفر هذا ساعات

إنتاج البودكاست

لقد سجلت حلقة مدتها ساعتان مع ثلاثة ضيوف في مكالمة Zoom واحدة. بدون التدوين، التحرير يعني الاستماع إلى التسجيل بأكمله لمعرفة من قال ماذا. مع فصل المتحدث، يمكنك الحصول على نسخة مصنفة في دقائق. يمكنك الانتقال مباشرة إلى تحرير الأجزاء التي تحتاج إلى العمل.

بالإضافة إلى ذلك، فإن وجود ملصقات منفصلة للسماعات يجعل من السهل ضبط مستويات الصوت لكل مكبر صوت. إذا كان أحد الضيوف أكثر هدوءًا من الآخرين، فيمكنك تعزيز مقاطعه فقط دون التأثير على بقية الصوت.

النسخ القانوني والطبي

تتطلب الإفادات، واستشارات المرضى، وإجراءات المحكمة إسنادًا دقيقًا. يمكن أن يؤدي الحصول على اقتباس خاطئ أو نسبته إلى المتحدث الخطأ إلى عواقب وخيمة. يوفر التدوين الآلي تمريرة أولى يمكن للناسخ البشري التحقق منها بعد ذلك، مما يقلل الوقت الإجمالي بشكل كبير.

الصحافة والبحث

يحتاج الصحفيون الذين يجرون مقابلات مع مصادر متعددة إلى الإسناد الدقيق للاقتباسات. مثلذكرت آرس تكنيكا، تتبنى غرف الأخبار بشكل متزايد أدوات النسخ الآلي لتسريع سير عمل إعداد التقارير. ويواجه الباحثون الذين يقومون بتحليل مجموعات التركيز أو المقابلات تحديات مماثلة، ويمكن أن تحول مذكرات المتحدث أيام العمل اليدوي إلى ساعات.

مجاني مقابل مدفوع: ما تحتاجه بالفعل

يمكن لمعظم الأشخاص الذين يقومون بفصل مكبرات الصوت من حين لآخر أن يفعلوا ذلك باستخدام أدوات مجانية. الطبقة المجانية لـ Otter.ai، والأدوات المستندة إلى المتصفح مثل أدواتنافاصل صوتوالخيارات مفتوحة المصدر مثل WhisperX جميعها تتعامل مع التدوين الأساسي بشكل جيد.

تصبح المستويات المدفوعة تستحق العناء عندما تقوم بمعالجة كميات كبيرة بانتظام، أو تحتاج إلى الوصول إلى واجهة برمجة التطبيقات (API) للأتمتة، أو تتطلب دقة أعلى في الصوت الصعب. تضيف خطط Descript المدفوعة ميزات تحرير متقدمة. تتقاضى شركة AssemblyAI رسومًا لكل ساعة صوتية ولكنها تتعامل مع معالجة الدُفعات بشكل جيد.

ضاقت الفجوة بين الخيارات المجانية والمدفوعة بشكل كبير. بالنسبة لمعظم منشئي المحتوى ومقدمي البث الصوتي والصحفيين، فإن البدء بأداة مجانية والترقية فقط عندما تصل إلى حدودها هو النهج العملي.

لقد وصلت تقنية فصل السماعات إلى النقطة التي توفر فيها الوقت حقًا لأي شخص يعمل مع الصوت متعدد السماعات. سواء كنت تستخدم أداة تعتمد على المتصفح، أو تطبيق سطح مكتب، أو تقوم بتشغيل نماذج مفتوحة المصدر محليًا، فإن سير العمل يكون واضحًا ومباشرًا: إدخال الصوت النظيف، وإخراج مكبرات الصوت ذات العلامات. سوف تستمر الأدوات في التحسن من هنا.