Een transcript krijgen waarin duidelijk is wie wat zei

Belangrijkste punten

Een transcript kan elk woord correct weergeven en toch onder de verkeerde naam staan, omdat spraak herkennen en die spraak toewijzen aan een spreker twee losse processen zijn. Sprekersherkenning werkt op basis van stemkenmerken en presteert het best bij een paar duidelijk verschillende stemmen die door één microfoon op een vergelijkbaar volume worden opgevangen. Het loopt vast bij mensen die door elkaar praten, bij stille of laat aangesloten sprekers, en het levert nooit vanzelf echte namen op — dat voeg je er zelf achteraf aan toe.

Als je ooit een transcript van een groepsgesprek hebt geopend en zag dat de helft aan de verkeerde persoon werd toegeschreven, klopten de woorden zelf waarschijnlijk gewoon. Het probleem zit een laag hoger, in het onderdeel dat beslist wie er aan het woord was, niet wat er gezegd werd. Dat onderdeel werkt met andere informatie en gaat op andere manieren mis, en bijna alles wat bepaalt of het goed werkt, wordt al besloten tijdens het opnemen — voordat er ook maar software aan het bestand komt.

Dit is het stuk dat het waard is om te snappen als je binnenkort een interview, een paneldiscussie of een familiegesprek opneemt en je écht wilt weten wie wat zei — niet alleen wat er gezegd is. Een deel gaat over waar je de microfoon neerlegt. Een ander deel gaat over accepteren dat bepaalde situaties nooit netjes gelabeld raken, wat je er ook doorheen haalt.

Twee verschillende taken, één transcript

Woorden herkennen en bepalen wie ze uitspreekt zijn geen zelfde taak, ook al belanden ze in hetzelfde document. De eerste taak luistert naar geluid en haalt daar taal uit — wie de klank produceert, doet er nauwelijks toe. De tweede taak luistert naar precies datzelfde geluid maar stelt een andere vraag: klinkt deze stem als die van twee zinnen terug, of is dit een nieuwe spreker? Die vraag wordt beantwoord op basis van stemkenmerken — toonhoogte, klankkleur, spreekritme, de akoestische vingerafdruk van iemands stem — niet op basis van de woorden zelf.

Daarom kan een transcript woord voor woord klopt en toch regels aan de verkeerde persoon toeschrijven. De transcriptie is gelukt. De sprekersscheiding niet. Ze kunnen los van elkaar mislukken, en als iemand zegt dat een transcript ‘fout’ is, loont het om te checken welk van de twee onderdelen daadwerkelijk faalde — want de oplossing verschilt per geval.

Wat sprekersherkenning goed laat werken

Sprekersherkenning werkt het best bij een klein aantal stemmen die duidelijk van elkaar verschillen, allemaal opgevangen door één microfoonpositie die iedereen ongeveer even hard hoort. Dat is het ideale scenario: twee of drie mensen, herkenbaar verschillende stemmen, één opnameapparaat dat de hele ruimte gelijkmatig kan horen.

Elke afwijking van dat ideaal kost je iets. Meer sprekers betekent meer kans dat twee stemmen genoeg op elkaar lijken om te versmelten. Stemmen die op elkaar lijken — twee mensen met een vergelijkbare leeftijd en accent, bijvoorbeeld — zijn moeilijker uit elkaar te houden dan een diepe stem naast een hoge. En als iemand veel harder wordt opgevangen dan een ander, begint het systeem volumeverschillen te behandelen als sprekersverschillen, wat ze niet zijn.

Niets hiervan is bijzonder geavanceerd. Het komt dicht bij wat een mens ook zou merken als hij zijn ogen dichtdeed en gewoon luisterde. Het voordeel van de software is geduld en consistentie over een uur audio, geen extra zintuig dat een luisteraar zou missen.

Waar het misgaat: mensen die door elkaar praten

Er is één situatie die sprekerslabels stelselmatig kapotmaakt, en geen goede opzet lost dat op: echt doorheen elkaar praten, waarbij twee mensen op precies hetzelfde moment spreken. Tijdens die overlap is er geen schoon signaal dat bij één stem hoort — het geluid is een mix van beide, en er is niets om netjes toe te wijzen. Meestal wordt de tekst van de een dan gewoon bij de beurt van de ander gevoegd, zodat het transcript één doorlopende uitspraak toont die in werkelijkheid twee mensen tegelijk aan het woord waren.

Dit is geen bug die later gerepareerd wordt. Het is een grens die inherent is aan het probleem zelf — je kunt twee overlappende stemmen achteraf niet betrouwbaar terug ontmengen in twee schone geluidssporen. De realistische verwachting is dat elk deel van een opname met echte overlap een handmatige controle nodig heeft om te bepalen wie wat zei, of anders gewoon toegeschreven blijft aan wie het systeem giste. Heeft je gesprek veel mensen die door elkaar heen praten — een verhit paneldebat, een familiediner met veel tegenspraak — houd er dan rekening mee dat dat deel van het transcript handmatige correctie nodig heeft, en beoordeel de hele tool niet op basis van dat stuk.

De plek van de microfoon is belangrijker dan het type

De afstand tot de microfoon beïnvloedt sprekersherkenning sterker dan de kwaliteit van de microfoon. Een telefoon die midden op tafel ligt, geeft doorgaans een betere sprekersscheiding dan een duurdere microfoon die toevallig naast één persoon staat, want de stille, verder weg zittende deelnemers zijn precies degenen die een systeem als eerste verliest. Als iemand structureel veel zachter klinkt dan de rest omdat hij het verst van de microfoon af zit, kan dat volumeverschil zwaarder wegen voor de sprekersherkenning dan enig verschil in apparatuur.

Voor een groepsgesprek volgt daaruit een simpele regel: leg het opnameapparaat centraal neer, niet op de handigste plek. Midden op de tafel, niet aan het einde waar de gastheer zit. Zitten mensen verspreid door een ruimte in plaats van dicht bij elkaar, dan is dat een moeilijker geval hoe goed de apparatuur ook is — en dat is beter om vooraf te weten dan achteraf te ontdekken.

Namen krijgen in plaats van Spreker 1, Spreker 2

Niets in de audio zelf verklapt aan een transcriptiesysteem hoe iemand heet — het kan wel merken dat er twee verschillende stemmen aanwezig zijn, maar het heeft geen manier om te weten dat de een Priya heet en de ander Tom. Daarom komt de uitvoer met anonieme labels: Spreker 1, Spreker 2, enzovoort. Die omzetten naar echte namen is een handmatige stap, en dat hoef je maar één keer te doen, boven aan het transcript, door elk label aan een naam te koppelen.

Wat die stap makkelijk maakt in plaats van vervelend, is iedereen aan het begin van de opname zijn of haar naam laten noemen. Het kost ongeveer tien seconden en geeft je een duidelijk ankerpunt — je weet dat de stem die vroeg in de opname zegt ‘dit is Tom’ de stem is die je de rest van het document als Tom labelt. Sla je dat over, dan moet je stemmen op je geheugen of op context matchen aan namen, wat werkt maar langer duurt en foutgevoeliger wordt naarmate er meer sprekers zijn.

Neem je specifiek een interview op, dan is dit een gewoonte die je in elke sessie standaard zou moeten inbouwen — kijk voor meer over goed van start gaan bij interviews transcriberen. Wil je een afgeronde opname omzetten naar tekst met labels, dan gaat audio omzetten naar tekst in op de conversiestap zelf, en een app zoals de transcriptie-app van SozAI kan sprekerslabels, samenvattingen en vertaling produceren in een breed scala aan talen zodra je de opname hebt — de sprekers achteraf een naam geven doe je nog steeds zelf, maar dat is het snelle deel.

Wat je realistisch gezien kunt verwachten

Zelfs met een goede opzet leveren een paar situaties voorspelbaar imperfecte resultaten op, en het is nuttig om die vooraf te kennen in plaats van ze als mislukkingen te zien.

• Een spreker die halverwege een opname aansluit, nadat het systeem zijn stemprofielen al heeft vastgelegd, wordt vaak samengevoegd met een bestaande spreker in plaats van een eigen nieuw label te krijgen.
• Iemand die maar een handvol woorden zegt in de hele opname — een korte bevestiging, een vraag van één regel — wordt vaak toegevoegd aan wie er om hem heen sprak, omdat er te weinig van die stem is om er een eigen profiel van te maken.
• Echte overlappende spraak, zoals hierboven besproken, valt meestal samen in de beurt van één spreker.
• Een grote groep met veel op elkaar lijkende stemmen levert meer verkeerde labels op dan een kleine groep met duidelijk te onderscheiden stemmen, gewoon omdat er meer kans op verwarring is.

Dit zijn geen redenen om een lastige opname niet te laten transcriberen — het zijn redenen om op de plekken waar dit voorkomt een korte handmatige opschoonronde te verwachten, in plaats van te denken dat het hele document nagekeken moet worden. Weet je van tevoren dat een opname deze complexiteit zal hebben, bepaal dan ook vooraf of je elk woord uitgeschreven wilt hebben of alleen de gelabelde hoofdpunten; alles laten transcriberen is niet altijd de handigste keuze, zeker bij lange opnames waarbij je vooral wilt weten wie zich waaraan heeft gecommitteerd — precies het gebruik dat aan bod komt bij opnames omzetten naar vergadernotities. En wil je testen hoe een bepaalde opname wordt gelabeld voordat je een lang bestand aanpakt, download dan de app via de downloadpagina en probeer eerst een kort fragment — dat vertelt je meer dan welk algemeen advies dan ook.

Wat écht verschil maakt

Als je één ding uit dit alles meeneemt, laat het dit zijn: de opname is belangrijker dan de software. Een centrale microfoon, een klein aantal duidelijk verschillende stemmen, iedereen die aan het begin zijn naam noemt, en de acceptatie dat overlappende spraak een handmatige check nodig heeft — die combinatie brengt je verder dan welke instelling of functie ook die je er achteraf op loslaat. De labelstap doet echt werk, maar hij werkt met wat de opname hem meegeeft, en een opname die gemaakt is met sprekersherkenning in gedachten, labelt altijd beter dan een opname zonder die gedachte, wat er ook achteraf voor transcriptiesoftware gebruikt wordt.