声ごとに発話を分け、名前は一度だけ付けます

リアルタイムにはなく、終わってから付きます

ブラウザの音声認識は声を区別できません。そのため録音中は話者の表示がまったくありません — すべての発話を「話者1」と書いておくと、あとで全部が誤った情報になるからです。

録音を止めると、保存した音声をバッチで処理して声ごとに分けます。話者の人数を先に伝えると精度が上がります。分からないまま範囲を開けておくと、雑音から話者を作り出すことがあります。

大事なのは間違ったときです

自動の分離は完全ではありません。一人が二人に割れたり、二人が一人にまとまったりします。だから直す経路が一緒にある必要があります。

• 名前の変更 — 話者一人の名前を直すとその話者の全発話に反映されます
• 一つの発話だけ別の話者に移す
• この発話から以降すべて — ただし同じ話者の発話のみが対象です
• 一人の話者を二つに分ける／二人を一つにまとめる

「以降すべて」が他の話者の割り当てまで上書きしたら、修正ではなく破壊です。だから範囲は常に同じ話者に限られ、各項目に対象の件数を表示します。

実際の結果

よくある質問

話者の人数が分からない場合は？

「自動」にしておけば推定します。ただし正確に分かっているなら人数を指定するほうがずっと正確です — 範囲を開けておくと、咳やドアの音から話者を作ることがあります。

オンライン会議でも話者は分かれますか？

スピーカーから出た音をマイクが拾い直す構成だと声が混ざり、精度が落ちます。デスクトップ版でシステム音声を直接受けるほうがずっときれいです。