話者分離は、録音を区間に分け、それぞれを誰が話したかでラベル付けする処理です。何を話したかを教えるのが音声認識、誰が話したかを教えるのが話者分離です。
システムは誰の名前も知りません。声の響き——ピッチ、音色、共鳴——を測り、短い音声区間を数値の指紋に変換します。近くに集まった指紋は同じ人物のものです。出力はタイムラインです。0:00 から 0:14 はある話者、0:14 から 0:31 は別の話者。
このタイムラインがなければ、文字起こしは区別のない一塊にすぎません。質問とその答えが同じ段落に並び、あいだには何もありません。一行ずつ話し手を紐づければ、文字起こしは検索できる会話になります。その話題が出たかどうかだけでなく、誰が引き受けたのかを問えるようになります。
二人が同時に話す場面や、音域の近い二つの声では精度が落ちます。一語だけの相づちは丸ごと取りこぼしがちです。長い会議で誰かが別の端末から入り直せば、聞き慣れない声が新しい人物なのか、マイクを変えた既知の人物なのかを判断しなければなりません。
Xtify は、どのマイクや端末が拾ったかではなく、声そのもので話者を判別します。会議室で二人が同じマイクに向かって話しても、別々の話者として正しくラベル付けされます。端末のチャンネルで分ける方式ではこれができません。どちらの声も同じチャンネルから届くからです。
話者分離は、会議の文字起こしと、決定事項・アクションアイテム・リスク・フォローアップの抽出と同じ処理の中で行われます。ラベル付きの文字起こしは、あなたの Mac 上の記憶インデックスに入ります。Xtify が使う音声認識・言語モデルの提供元はエンタープライズ契約のもとで動いており、その契約はあなたのデータを学習対象から除外します。
いいえ。話者分離は、声が誰のものかを知らないまま声を分けます。別々の二人が話したと判定できても、そのどちらも特定しません。話者認識（話者識別）は、声を既知の人物と照合します。まず話者分離が必要で、そして多くの場合、二つ目の段階まで進む必要はありません。
必要ありません。Xtify は声そのものを手がかりにするため、部屋で一本のマイクを共有していても、話者は別々にラベル付けされます。マイクが分かれていれば処理は容易になりますが、必須ではありません。
はい。話者分離は語ではなく声の響きを扱うため、話されている言語に依存しません。Xtify は 60 言語の文字起こしに対応し、Pro Max 以上では話者が文の途中で言語を切り替えても追従します。