Czy w tekście pojawią się imiona rozmówców?

Nie. Dostaniesz Speaker 1, Speaker 2 itd. Nie znamy prawdziwych imion. Po odsłuchaniu nagrania przypisz etykiety do osób w swojej aplikacji lub dokumencie.

Można dodać rozmówców do napisów z YouTube?

Napisy YouTube nie mówią nam, kto się wypowiada. Przy source=auto ustawienie diarize: true pomija napisy i uruchamia transkrypcję AI. Połączenie source: captions z diarize: true odrzucimy.

Czy podział na rozmówców kosztuje dodatkowo?

Nie. Z diarize i bez niego zużywasz 1 kredyt za każdą rozpoczętą minutę nagrania.

Transkrypcja z podziałem na rozmówców

Jak włączyć podział na rozmówców przez API

W JSON ustaw diarize na true. Jeśli wysyłasz plik, dodaj tę samą opcję jako pole formularza. Sprawdź dozwolone połączenia z source.

Włącz tę opcję do wywiadu, panelu albo rozmowy prowadzącego z gościem. Przy notatce głosowej jednej osoby zwykle wystarczą sam tekst i znaczniki czasu.

Diaryzacja audio dzieli nagranie według tego, kto mówi. Nie ustala nazwiska, nie rozpoznaje konta i nie potwierdza tożsamości po głosie.

Podział wybierasz przy tworzeniu transkrypcji, bo zmienia sposób przetwarzania nagrania. Nie dodasz go samą zmianą formatu pobrania. Przy source=auto pominiemy napisy. Własne pliki zawsze przepisujemy z audio, więc ich obsługa nie zależy od napisów na żadnej platformie.

Upload z podziałem na rozmówców

curl -X POST "https://api.transcript1.com/v1/transcriptions?wait=60" \
  -H "Authorization: Bearer $TRANSCRIPT1_API_KEY" \
  -F [email protected] \
  -F diarize=true

Lista rozmówców i etykieta przy każdym segmencie

W transcript.speakers znajdziesz listę etykiet, a w każdym segmencie pole speaker. Takie transkrypcje mają transcript_source: speech_to_text, bo napisy nie dostarczają informacji o rozmówcach. Sprawdź strukturę odpowiedzi.

Po odsłuchaniu nagrania możesz przypisać Speaker 1 i Speaker 2 do konkretnych osób. Zapisz to powiązanie w aplikacji lub poprawionej kopii tekstu. W kolejnym nagraniu Speaker 1 może oznaczać zupełnie inną osobę.

Na podstawie pola speaker zbudujesz widok rozmowy. Jeśli potrzebujesz dokładniejszych czasów, pobierz include=words. Zachowaj początek i koniec segmentu w sekundach, żeby czytelnik mógł wrócić do audio.

Poniższy JSON pokazuje przykładowy układ danych. Nie przedstawia transkrypcji konkretnego panelu.

Skrócona odpowiedź JSON

{
  "status": "completed",
  "transcript_source": "speech_to_text",
  "transcript": {
    "speakers": ["Speaker 1", "Speaker 2"],
    "segments": [
      { "start": 0, "end": 3.4, "speaker": "Speaker 1", "language": "en", "text": "Good morning." },
      { "start": 3.4, "end": 7.9, "speaker": "Speaker 2", "language": "en", "text": "Thanks for having me." }
    ]
  }
}

Jak rozmówcy wyglądają w pliku z napisami

Przy format=srt tekst poprzedza etykieta Speaker 1:. WebVTT używa tagu głosowego, a format=text daje osobną, podpisaną linijkę na segment. Porównaj formaty napisów, zanim wybierzesz plik do odtwarzacza.

Sprawdź, jak twój odtwarzacz wyświetla tagi VTT i jak edytor traktuje prefiksy SRT. Etykieta przy każdej wypowiedzi pomaga w analizie wywiadu, ale w napisach do filmu może przeszkadzać.

Wygląd popraw w pliku z napisami lub aplikacji. Zachowaj sprawdzone powiązanie osób z numerowanymi etykietami.

Gdy kilka osób mówi jednocześnie, mikrofon jest daleko albo muzyka zagłusza rozmowę, trudniej odczytać zarówno słowa, jak i zmianę rozmówcy. Odsłuchaj miejsca, w których etykieta zmienia się niespodziewanie. Przy kolejnym nagraniu pomogą osobne mikrofony i wypowiedzi bez przekrzykiwania się.

format=vtt

WEBVTT

00:00:00.000 --> 00:00:03.400
<v Speaker 1>Good morning.

00:00:03.400 --> 00:00:07.900
<v Speaker 2>Thanks for having me.

Zanim podpiszesz cytat nazwiskiem

Znajdź wyraźną wymianę zdań na początku nagrania i zapisz, która etykieta odpowiada której osobie. Sprawdź też kilka późniejszych wypowiedzi. Jeśli nie słychać, kto mówi, zaznacz niepewność zamiast zgadywać po kontekście.

W badaniach opartych na wywiadach stosuj te same zasady sprawdzania w każdej sesji. Identyfikatory uczestników i swoje uwagi trzymaj osobno od wypowiedzi. Przed publikacją cytatu z panelu potwierdź nazwisko na podstawie nagrania i dostępnego ci kontekstu.

Etykiety nie służą do uwierzytelniania rozmówcy ani porównywania tożsamości między nagraniami. Ta sama osoba może brzmieć inaczej po zmianie mikrofonu, a nakładających się głosów nie zawsze da się rozdzielić na osobne segmenty.

Co zauważysz	Co sprawdzić
Etykieta zmienia się w trakcie wypowiedzi jednej osoby	Odsłuchaj fragment przed zmianą i po niej. W razie potrzeby popraw roboczą kopię tekstu.
Dwie osoby mówią jednocześnie	Sprawdź słowa i ich przypisanie. Zaznacz niepewność tam, gdzie audio nie pozwala rozstrzygnąć.
Ta sama etykieta pojawia się w innym nagraniu	Ustal powiązanie z uczestnikami od nowa dla tego nagrania.

Transkrypcja z podziałem na rozmówców, czyli diaryzacja

Oddziel wypowiedzi, potem przypisz je do osób

Jak włączyć podział na rozmówców przez API

Lista rozmówców i etykieta przy każdym segmencie

Jak rozmówcy wyglądają w pliku z napisami

Zanim podpiszesz cytat nazwiskiem

Na start dostajesz 60 minut

Najczęstsze pytania

Sprawdź też