話者ダイアライゼーション
話者ダイアライゼーション(speaker diarization)とは、音声の録音を話者ごとに分け、発話の各区間に誰が話したかのラベルを付けるタスクです。「誰がいつ話したか」という問いに答えます。
別名: diarisation, diarization, speaker labelling, who spoke when
執筆 Divya Sharma · 2026年11月15日確認 · レビューの方法
会議のただの書き起こしは、言葉の壁のようなものです。ダイアライゼーションは各区間にSpeaker 1やSpeaker 2のようなラベルを付けるため、会話の流れを追い、発言者を特定し、各人の論点を要約できます。会議メモ、コールセンターの分析、インタビューの書き起こし、ポッドキャストのツールでは標準的な機能です。
仕組み
典型的なパイプラインでは、まず発話のある箇所を見つけ、それを短い区間に切り分け、各区間を話者埋め込み(コンパクトな声紋)に変換し、声の似た区間が同じラベルになるよう埋め込みをクラスタリングします。新しいニューラルシステムは、重なった発話も含め、この多くを1つのモデルで処理します。pyannote community-1などのモデルを持つpyannoteのようなオープンなツールキットが広く使われており、話者ラベルを直接出力する書き起こしモデルもあります。
音声認識との違い
Speech-to-textは言葉を生成します。ダイアライゼーションは、何が話されたかを知らないまま話者の交代を生成します。製品はタイムスタンプを合わせて両者を統合します。また、ダイアライゼーションは人を名前で特定するわ けではなく、声をグループに分けるだけです。声を既知の人物と照合するのは話者識別で、独自のプライバシー規則を伴う別のタスクです。
限界
発話の重なり、短い相づち、似た声、質の悪いマイク、話者の数が不明な場合にはエラーが増えます。多くのツールでは想定される話者数を指定でき、それが役立ちます。
関連用語
- Speech-to-text(音声認識)
- Speech-to-text(音声認識)とは、自動音声認識(ASR)とも呼ばれ、話し言葉の音声を書き言葉のテキストに変換するソフトウェアです。書き起こし、字幕、音声コマンド、そして音声エージェントの聞き取りの部分を支えています。
- 音声エージェント
- 音声エージェント(voice agent)とは、リアルタイムで音声の会話を行うAIエージェントです。人の話を聞き、何を言うか、何をするかを決め、合成音声で答えます。多くの場合、電話回線やアプリを通じて使われます。
- 埋め込み
- 埋め込み(embedding)とは、テキスト、画像、その他のデータを表す数値の並び(ベクトル)です。意味の似たものほどベクトルが近くなるように作られます。
- Text-to-speech(音声合成)
- Text-to-speech(TTS、音声合成)とは、書かれたテキストを話し言葉の音声に変えるソフトウェアです。現在のTTSは、テキストから発話の音を予測し、それを波形として描き出すニューラルネットワークを使います。