Диаризация спикеров: что это, как работает и как получить расшифровку «кто что сказал» на Mac

Расшифровка созвона без разметки по людям — это сплошная стена текста, где невозможно понять, кто что обещал. Здесь разберём, что такое диаризация спикеров, как она устроена технически, где спотыкается и как получить чистую расшифровку с разделением «вы / собеседник» прямо на Mac.

Коротко. Диаризация спикеров отвечает на вопрос «кто и когда говорил». Алгоритм режет аудио на сегменты речи и группирует их по голосам. На созвоне результат сильно зависит от того, как записан звук: один смешанный микрофон даёт спорную разметку, а раздельные дорожки микрофона и системного звука — почти идеальную.

Что такое диаризация спикеров простыми словами

Диаризация спикеров (от англ. speaker diarization) — это автоматическое разделение аудиозаписи на сегменты по говорящим. Не «что было сказано» — это задача транскрипции, — а именно «кто это сказал и в какой момент». На выходе диаризация даёт размеченную дорожку: с 00:12 по 00:31 говорит Спикер 1, с 00:31 по 00:48 — Спикер 2, и так далее.

Важно не путать три разные задачи, которые часто идут в одном пайплайне:

• Транскрипция (STT) — превращает звук в текст. Отвечает на вопрос «что сказано».
• Диаризация — размечает, кто говорил в каждый момент. Отвечает на «кто и когда».
• Идентификация спикера — сопоставляет голос с конкретным человеком по базе образцов. Отвечает на «как зовут говорящего».

Сама по себе диаризация анонимна: она не знает имён. Она лишь надёжно отделяет одного человека от другого и помечает их условными метками — Спикер 1, Спикер 2. Имена появляются либо когда вы их подставляете вручную, либо когда поверх диаризации работает идентификация по голосовому банку.

Зачем это нужно на практике? Расшифровка часовой планёрки без диаризации спикеров — это монолитный текст, по которому нельзя восстановить диалог. С разметкой по людям расшифровка читается как сценарий: видно реплики, видно, кто за что отвечает, видно, кто какое решение озвучил. Для протокола встречи это разница между «бесполезно» и «можно работать».

Как технически работает диаризация: каналы, эмбеддинги, кластеризация

Под капотом классическая диаризация спикеров — это связка из двух шагов: сегментация и кластеризация.

Сегментация ищет точки смены говорящего — моменты, где один человек замолчал, а другой начал. Аудио разбивается на короткие фрагменты, внутри которых, предположительно, звучит один голос.

Кластеризация группирует эти фрагменты. Для каждого куска модель считает голосовой эмбеддинг — числовой вектор, который описывает тембр, высоту и манеру речи. Похожие векторы объединяются в кластеры, и каждому кластеру присваивается номер: Спикер 0, Спикер 1, Спикер 2. Так разрозненные реплики одного человека сшиваются в единую линию, даже если он говорил с паузами в разных частях записи.

Типичный открытый стек выглядит так: транскрипция через Whisper, диаризация через библиотеку pyannote или собственную кластеризацию эмбеддингов. Инженеры ЮMoney в своём разборе на Хабре именно так и описывают пайплайн — Whisper для текста плюс кластеризация голосовых векторов для разметки спикеров, а сверху идентификация по внутреннему войс-банку.

Есть и второй, куда более надёжный путь — многоканальная (multichannel) диаризация. Если каждый говорящий пишется в свой аудиоканал, кластеризация по голосу вообще не нужна: канал и есть спикер. Звук с микрофона — это один человек, звук из колонок или приложения — другой. Никакой вероятностной математики, никакой путаницы между похожими голосами.

Моно-запись:   [смешанный звук] → сегментация → эмбеддинги → кластеры → спикеры
Multichannel:  L-канал = спикер A
               R-канал = спикер B   → разметка почти бесплатно

Качество кластеризации сильно зависит от длины и чистоты сегментов: чем больше связной речи у каждого спикера, тем устойчивее эмбеддинг и тем реже модель путает людей. Короткие реплики вроде «да», «угу», «согласен» — самые трудные случаи, потому что в них почти нет голосовой информации для надёжного вектора.

Именно поэтому подход к записи важнее, чем выбор конкретной модели. Хорошая разметка начинается не на сервере, а в момент захвата звука.

Где диаризация спикеров реально нужна в работе

Диаризация перестаёт быть абстракцией, как только появляется задача «вернуться к разговору и понять, кто что сказал». Чаще всего это B2B-сценарии, где из устной встречи нужно вытащить структуру.

• Продакт- и проджект-менеджмент. Статусы и планёрки превращаются в протокол с решениями, где у каждой реплики есть автор. Видно, кто взял задачу на себя.
• Продажи. Расшифровка звонка с разделением спикеров показывает, что обещал менеджер, а что — возражения клиента. Удобно для разбора и обучения.
• Рекрутинг. Интервью с кандидатом: реплики разведены, можно вернуться к конкретным ответам и сравнить кандидатов между собой.
• Ресёрч и customer development. Глубинные интервью с таймкодами и разметкой — основа для анализа, а не груда нечитаемого текста.
• Консалтинг и агентства. Брифы и созвоны с заказчиком фиксируются дословно, и потом легко доказать, о чём именно договаривались.

Отдельная категория — комплаенс и юридическая фиксация. Когда важно доказать, кто именно дал согласие или озвучил условие, расшифровка с разделением спикеров становится документом, а не просто конспектом. То же касается онбординга: новый сотрудник может прослушать и прочитать прошлые встречи, понимая, кто в команде за что отвечает.

Во всех этих случаях диаризация спикеров — не украшение, а условие, при котором расшифровка вообще имеет ценность. Без неё текст есть, а смысла в нём мало.

Два подхода: один микрофон против раздельных каналов

Качество диаризации почти полностью определяется тем, как записан звук. Сравним два честных варианта.

Параметр	Один смешанный микрофон	Раздельные каналы (multichannel)
Источник	Все голоса в одной дорожке	Каждый источник — свой канал
Метод разметки	Кластеризация эмбеддингов	Канал = спикер
Похожие голоса	Можно перепутать	Не путаются в принципе
Эхо и перекрытие	Серьёзная проблема	Канал микрофона изолирован
Точность «вы / собеседник»	Средняя	Высокая

Мономикрофонная запись — это про диктофон на столе переговорной. Технология работает, но спотыкается на двух похожих мужских голосах, на людях, которые говорят одновременно, и на эхе из общих колонок.

Раздельные каналы решают самую частую задачу созвона радикально проще. Если ваш голос с микрофона пишется в один канал, а звук собеседника из приложения — в другой, то разделение «вы / собеседник» получается чистым по построению. А уже внутри канала собеседника, если там несколько человек, подключается голосовая диаризация — и она работает в куда более тепличных условиях, потому что ваш голос ей не мешает.

Подводные камни диаризации и как их обойти

Диаризация спикеров — вероятностная задача, и у неё есть предсказуемые слабые места. Знание их экономит часы разбора плохой расшифровки.

• Перекрытие речи. Когда двое говорят одновременно, сегментация ошибается — это одна из главных нерешённых проблем в области, о чём прямо пишут исследователи МГУ в работе по потоковой диаризации. Решение со стороны пользователя: не перебивать и держать дисциплину реплик.
• Похожие голоса. Два близких по тембру голоса модель может слить в один кластер или, наоборот, один тихий голос разбить на два. Раздельные каналы снимают этот риск для пары «вы / собеседник».
• Эхо из колонок. Если слушать собеседника через динамики, его голос попадёт и в ваш микрофон — каналы «протекут» друг в друга. Лекарство простое: работать в наушниках.
• Фоновый шум. Кафе, открытый офис, плохая гарнитура — всё это размывает голосовые эмбеддинги. Чем чище вход, тем точнее разметка.

Ни один из этих пунктов не отменяет пользу диаризации — но все они объясняют, почему «расшифровка с разделением спикеров» иногда выходит идеальной, а иногда требует правок. Контроль над записью важнее, чем кажется. Практическое правило простое: чем ближе условия к «один человек — один чистый канал», тем меньше ошибок в разметке и тем меньше правок после расшифровки.

Как сделать в Wisperv: расшифровка с разделением спикеров на Mac

Wisperv — это macOS-приложение, которое закрывает весь путь от созвона до размеченной расшифровки и готовых задач. Диаризация спикеров и AI-саммари — часть тарифа Maximum; обработка идёт асинхронно: вы останавливаете запись и через некоторое время получаете готовый результат.

Главное отличие от мономикрофонных решений — Wisperv пишет встречу двумя дорожками через ScreenCaptureKit: ваш голос с микрофона уходит в левый канал, системный звук собеседника — в правый. Дальше движок Deepgram nova-3 обрабатывает каналы независимо (режим multichannel) и даёт чистое разделение «вы / собеседник», а внутри канала с несколькими голосами добавляет акустическую диаризацию.

Пошагово это выглядит так:

1. Установите Wisperv на Mac (macOS 13 Ventura и новее) и войдите в аккаунт.
2. Откройте тариф Maximum в разделе тариф Maximum за 1990 ₽/мес — диаризация и саммари доступны на нём.
3. Откройте встречу как обычно: Zoom, Teams, Meet, Discord или просто звонок в браузере. Приглашать бота в звонок не нужно.
4. Наденьте наушники — так звук собеседника не попадёт в ваш микрофон и каналы не «протекут».
5. Нажмите «Записать» и выберите приложение из списка запущенных. Wisperv начнёт писать микрофон и системный звук раздельными дорожками.
6. Проведите созвон в обычном режиме. По возможности не перебивайте друг друга — это снижает перекрытие речи.
7. Остановите запись. Аудио уходит на сервер, расшифровывается с разделением спикеров и обрабатывается асинхронно.
8. Откройте готовую запись: расшифровка с разметкой по спикерам, структурированное саммари и список задач.
9. При желании одной кнопкой отправьте задачи из созвона в Asana — каждая карточка с ответственным и сроком.

Аудио и история встреч остаются привязанными к вашему Mac, серверы находятся в РФ, оплата проходит через ЮKassa в рублях. Подробнее про запись звонков — на странице запись созвонов на Mac с разделением спикеров.

FAQ

Чем диаризация отличается от транскрипции? Транскрипция превращает звук в текст и отвечает на вопрос «что сказано». Диаризация спикеров размечает, кто говорил в каждый момент, и отвечает на «кто и когда». Обычно они работают вместе: сначала текст, потом разметка по людям.

Диаризация знает имена спикеров? Сама по себе — нет. Она помечает говорящих условно: Спикер 1, Спикер 2. Имена появляются, если вы их подставляете вручную или если поверх работает отдельная идентификация по голосовому банку.

Почему раздельные каналы точнее одного микрофона? При раздельной записи канал и есть спикер: ваш голос в одном канале, собеседник — в другом. Не нужно угадывать по тембру, кто говорит, поэтому похожие голоса не путаются, а разделение «вы / собеседник» получается чистым.

Что портит диаризацию сильнее всего? Перекрытие речи, когда говорят одновременно, эхо из колонок и фоновый шум. Поэтому на созвоне лучше работать в наушниках и стараться не перебивать друг друга.

Нужно ли приглашать бота в звонок? Нет. Wisperv записывает то, что слышите вы, через системный звук Mac — без бота в списке участников. По российскому законодательству о записи переговоров предупредить собеседников всё равно нужно.

На каком тарифе доступна диаризация в Wisperv? Запись созвонов с разделением спикеров и AI-саммари входит в тариф Maximum. Обработка идёт асинхронно: результат появляется через некоторое время после остановки записи.

Если вам нужна не просто расшифровка, а понятная картина «кто что сказал и кто за что отвечает», начните с записи одного реального созвона на Mac — и сравните, насколько раздельные каналы упрощают разметку. Детали тарифов и лимиты смотрите на странице тариф Maximum за 1990 ₽/мес.