Punti chiave
Una trascrizione può riportare ogni parola in modo corretto e comunque metterla sotto il nome sbagliato, perché riconoscere il parlato e capire chi lo ha pronunciato sono due operazioni distinte. L’attribuzione dei parlanti si basa sulle caratteristiche della voce, quindi funziona meglio con poche voci nettamente diverse tra loro, registrate a un volume simile da un solo microfono. Va in difficoltà quando le persone si sovrappongono parlando insieme, con chi parla poco o si unisce in ritardo, e non ti darà mai nomi reali da sola: quella parte la aggiungi tu dopo.
Se hai mai aperto la trascrizione di una conversazione di gruppo e trovato metà del testo attribuito alla persona sbagliata, molto probabilmente le parole in sé erano corrette. Il problema si trova un livello più su, nella parte del processo che decide chi stava parlando, non cosa stava dicendo. Questa parte funziona con informazioni diverse e fallisce in modi diversi, e quasi tutto ciò che determina se funzionerà bene si decide al momento della registrazione, prima che qualsiasi software tocchi il file.
Questo è l’aspetto da capire bene se stai per registrare un’intervista, una tavola rotonda o una chiacchierata in famiglia e ti serve davvero sapere chi ha detto cosa, non solo cosa è stato detto. In parte è una questione di dove posizioni il microfono. In parte è accettare che certe situazioni non verranno mai etichettate in modo perfetto, qualunque strumento tu usi.
Due compiti separati, un solo documento
Riconoscere le parole e stabilire chi le ha pronunciate non sono la stessa cosa, anche se finiscono nello stesso documento. Il primo compito ascolta il suono e ricostruisce il linguaggio: è in gran parte indifferente a di chi sia la voce. Il secondo compito ascolta lo stesso suono e si pone una domanda diversa: questa voce corrisponde a quella di due frasi fa, o è un nuovo parlante? A questa seconda domanda si risponde partendo dalle caratteristiche vocali — intonazione, timbro, cadenza, l’impronta acustica del modo di parlare di una persona — non dalle parole in sé.
Ecco perché una trascrizione può essere accurata parola per parola e comunque attribuire male le frasi. La trascrizione ha funzionato. La separazione dei parlanti no. Possono fallire in modo indipendente, e quando qualcuno dice che una trascrizione è “sbagliata”, vale la pena capire quale dei due compiti sia effettivamente andato storto, perché la soluzione cambia a seconda della risposta.
Cosa fa funzionare bene la separazione dei parlanti
La separazione dei parlanti va al meglio con un numero ridotto di voci chiaramente diverse tra loro, tutte registrate da una sola posizione di microfono che sente tutti a un volume più o meno uguale. È il caso ideale: due o tre persone, voci distinte, un solo dispositivo di registrazione posizionato dove riesce a sentire bene tutta la stanza.
Ogni allontanamento da questo scenario ideale ha un costo. Più parlanti significano più occasioni per due voci di somigliarsi al punto da confondersi. Voci che si assomigliano — due persone della stessa età e con lo stesso accento, per esempio — sono più difficili da distinguere di una voce profonda accanto a una acuta. E se una persona viene registrata molto più forte di un’altra, il sistema comincia a trattare le differenze di volume come se fossero differenze di parlante, cosa che non sono.
Non c’è nulla di misterioso in tutto questo. È molto simile a quello che noterebbe anche una persona, se chiudesse gli occhi e si limitasse ad ascoltare. Il vantaggio del software è la pazienza e la coerenza su un’ora intera di audio, non un senso extra che chi ascolta non avrebbe.
Dove il sistema va in crisi: quando si parla sopra agli altri
C’è una situazione che manda in tilt in modo affidabile l’attribuzione dei parlanti, e nessuna buona impostazione la risolve: la sovrapposizione vera e propria, quando due persone parlano nello stesso istante. Durante la sovrapposizione non esiste un segnale netto appartenente a una sola voce: l’audio è un mix di entrambe, e non c’è nulla da attribuire in modo pulito. Quello che succede di solito è che le parole di un parlante vengono assorbite nel turno dell’altro, così la trascrizione mostra un’unica frase continua che in realtà erano due persone che parlavano insieme.
Non è un difetto che si può correggere in seguito con un aggiornamento. È un limite intrinseco alla natura del problema: non si può separare in modo affidabile, dopo il fatto, un audio in cui due voci sono mescolate. L’aspettativa realistica è che qualsiasi porzione di registrazione con sovrapposizioni reali richiederà un passaggio manuale per capire chi ha detto cosa, oppure resterà semplicemente attribuita a chi il sistema ha indovinato. Se la tua conversazione ha molte persone che si sovrappongono — una tavola rotonda accesa, una cena in famiglia litigiosa — considera già in anticipo che quella parte della trascrizione richiederà una correzione manuale, e non giudicare l’intero strumento da quella sezione.
La posizione del microfono conta più della sua qualità
La distanza dal microfono influisce sull’attribuzione dei parlanti più di quanto faccia la qualità del microfono stesso. Un telefono lasciato al centro di un tavolo darà in genere una separazione dei parlanti migliore di un microfono più costoso ma posizionato vicino a una sola persona, perché i partecipanti più silenziosi e più lontani sono esattamente i primi a essere persi dal sistema. Se qualcuno è costantemente molto più sommesso degli altri perché è il più lontano dal microfono, questa differenza di volume può pesare sull’attribuzione più di qualsiasi differenza tra un dispositivo e l’altro.
Per una conversazione di gruppo, questo porta a una regola semplice: metti il dispositivo di registrazione in una posizione centrale, non in quella più comoda. Il centro del tavolo, non l’estremità più vicina a chi ospita. Se le persone sono sparse in una stanza invece che sedute vicine, il caso diventa più difficile a prescindere dall’attrezzatura, e vale la pena saperlo prima di iniziare piuttosto che scoprirlo dopo.
Ottenere i nomi al posto di Speaker 1, Speaker 2
Nulla nell’audio in sé comunica a un sistema di trascrizione il nome di qualcuno: il sistema può capire che sono presenti due voci diverse, ma non ha modo di sapere che una si chiama Giulia e l’altra Marco. Per questo l’output esce etichettato con identificatori anonimi: Speaker 1, Speaker 2 e così via. Trasformarli in nomi reali è un passaggio manuale, e va fatto una sola volta, in cima alla trascrizione, associando ogni etichetta a un nome.
La cosa che rende questo passaggio semplice invece che noioso è far dire a tutti il proprio nome ad alta voce vicino all’inizio della registrazione. Costa una decina di secondi e ti dà un punto di riferimento chiaro: sai che la voce che dice “sono Marco” all’inizio è quella da etichettare come Marco per il resto del documento. Se salti questo passaggio, ti ritrovi ad associare voci e nomi a memoria o dal contesto, cosa che funziona ma richiede più tempo ed è più soggetta a errori quanti più parlanti ci sono.
Se stai registrando un’intervista, questa abitudine vale la pena costruirla in ogni sessione — trovi indicazioni su come impostarla bene fin dal primo minuto nelle note su come trascrivere un’intervista. Per trasformare una registrazione già fatta in testo etichettato, convertire l’audio in testo spiega il passaggio di conversione in sé, e un’app come quella di trascrizione di SozAI può produrre etichette dei parlanti, riepiloghi e traduzione in un’ampia gamma di lingue una volta che hai la registrazione — assegnare i nomi ai parlanti resta comunque a tuo carico, ma è la parte più rapida.
Cosa aspettarsi realisticamente
Anche con un’impostazione ben fatta, alcune situazioni producono risultati prevedibilmente imperfetti, e vale la pena conoscerle in anticipo invece di considerarle errori del sistema.
- Un parlante che si unisce a metà registrazione, quando il sistema ha già definito i suoi profili vocali, viene spesso accorpato a un parlante già esistente invece di ricevere una propria nuova etichetta.
- Chi pronuncia solo poche parole in tutta la registrazione — un rapido “sì, sono d’accordo”, una domanda di una riga — viene spesso inglobato nel turno di chi parla intorno a lui, perché non c’è abbastanza voce sua da cui il sistema possa costruire un profilo separato.
- La sovrapposizione reale di parlato, come descritto sopra, tende a confluire nel turno di un solo parlante.
- Un gruppo numeroso con molte voci simili tra loro produrrà più errori di attribuzione di un gruppo piccolo con voci distinte, semplicemente perché ci sono più occasioni di confusione.
Nessuno di questi motivi deve farti rinunciare a trascrivere una registrazione complicata: sono motivi per aspettarsi un breve passaggio di correzione manuale sulle sezioni interessate, piuttosto che pensare che tutto il documento vada riverificato. Se stai registrando qualcosa che sai avrà questo tipo di complessità, vale anche la pena decidere in anticipo se ti serve ogni singola parola trascritta o solo i punti salienti etichettati; trascrivere tutto non è sempre la scelta più utile, in particolare per registrazioni lunghe dove ti interessa soprattutto sapere chi si è impegnato a fare cosa — il tipo di caso d’uso trattato in trasformare le registrazioni in appunti di riunione. E se vuoi verificare come una certa registrazione viene etichettata prima di impegnarti su un file più lungo, scaricare l’app dalla pagina di download e provarla su un breve campione ti dirà più di qualsiasi consiglio generale.
Cosa fa davvero la differenza
Se c’è una cosa da portarti a casa da tutto questo, è che la registrazione conta più del software. Un microfono centrale, poche voci nettamente diverse, tutti che dicono il proprio nome all’inizio, e l’accettazione che il parlato sovrapposto richiederà un controllo manuale: questa combinazione ti porterà più lontano di qualsiasi impostazione o funzione scelta dopo. Il passaggio di attribuzione fa un lavoro reale, ma lavora con quello che la registrazione gli ha fornito, e una registrazione pensata tenendo conto della separazione dei parlanti etichetterà sempre meglio di una fatta senza pensarci, indipendentemente da cosa esegue la trascrizione in seguito.
