辨識講者的會議轉錄

背景

• 會議中使用語音辨識技術能提高效率，減少手動紀錄時間，並且在辨識多講者的環境中，提供自動轉錄服務。
• 隨著 AI 進步，不同 ASR 模型與整合方案逐漸應運而生，為使用者提供更多選擇。
• 2020年方法論的中文說明，可以參考清大Behavioral Informatics & Interaction Computation Lab
• Speaker Diarization: An Introductory Overview，La Javaness R&D 2023/7@medium除了概念介紹之外，也提供了pyannote與Nemo 2個開源方案。

這篇筆記建議從各項方案的特點與應用情境著手，依照會議需求選擇適合的 ASR 模型或整合方案。 希望這些資訊能幫助您在進行會議轉錄時找到最佳解決方案。

開源方案

Transcripy 與 pyannote-speaker-diarization

• source：github:Haschtl/transcripy
  • 使用pyannote speaker dairiation 2020 技術
  • Transcripy 利用 pyannote 技術辨識講者，能有效分辨會議中不同講者的語音訊息，適用於開源環境下對多講者辨識需求的情境。

2024年5款常用開源的轉錄模型

Whisper、DeepSpeech、Kaldi、Wav2vec、SpeechBrain。每款 ASR 模型各有特點：

• Whisper 專注於多語言辨識、
• DeepSpeech 對資源需求較低、
• Kaldi 開放度高但學習曲線較陡、
• Wav2vec 擅長於低資源語音辨識，而
• SpeechBrain 則提供多功能模組以供自訂。
• source：Whisper, DeepSpeech, Kaldi, Wav2vec, or SpeechBrain: key factors to consider when choosing an open-source ASR model for your apps and projects. gladia 2024/9

雲端ASR模型

• Amazon Transcribe 2023/11
  • 支援超過 100 種語言的辨識，適合國際化的多語言會議。
  • 其最新的語音模型能自動識別語者並進行精準轉錄。
• google speech-to-text of multiple persons
  • 具有多人聲音辨識能力，能辨識會議中的不同講者，
  • 特別適合需要自動分段和標註的會議情境。

商業整合方案

經理人部落格

• 再也不用輪流寫會議記錄！3 個即時記錄、產出摘要的 AI 小工具，讓你專心開會經理人2024/5
  • 經理人網站所提及的多款工具如 Flags、Vocol.ai 和 Goodtape，專注於即時會議紀錄與摘要生成，讓用戶能專注於會議本身而無需分心紀錄。
  • sources：
    • 會議夥伴creative.ai Flags by 4149
    • vocal.ai 犀動智能@內湖
    • goodtape

其他

• 在地化多語系環境設計，精準辨識每一段對話uni-ai@內湖
  • 特別針對多語環境的語音辨識需求而設計，
  • 適合在多文化、多語系的商務或政府會議中使用。
• AI多人語音辨識會議紀錄​Qmeeting@板橋
  • line好友156人
  • 支援多人語音辨識
• cyberlink MyEdit
  • 提供簡單的會議記錄功能；
• METAMatch 會議記錄AI助手 (企業雲端版)@內湖
  • 會議記錄助手適合企業用戶，
  • 提供雲端存取和安全性保障。