▋前言

在 Day 6，我們已經能把不同的說話者分離出來。但若要應用於教育場景，還必須回答更重要的問題：「誰是老師，誰是學生？」這就是講者辨識 (Speaker Recognition, SR) 的任務。

▋內容

語者分離 vs 語者識別

語者分離 (Diarization)：把對話切分成不同的人，但不告訴你「是誰」。

語者識別 (Recognition)：確認「這個人是老師還是學生」。

我們的流程

註冊 (Enrollment)：先收集老師語音樣本，建立聲紋向量。

辨識 (Identification)：將課堂音訊分離後的片段，轉換為向量，與老師聲紋比對。

模型方面，我們採用 pyannote.audio 提供的 X-vector 嵌入，並使用 餘弦相似度 (cosine similarity) 來進行比對。

以這樣的設計在本次競賽情境中進行抽樣檢測，在兩人對話場景下，辨識正確率接近 99%，逐字稿因此能辨識出老師與學生分別說出的語句內容。

▋下回預告

下一篇將介紹「語音情緒辨識 (SER)」，探討如何捕捉學生專注或分心的狀態。

▋參考資料

pyannote.audio
X-VECTORS: ROBUST DNN EMBEDDINGS FOR SPEAKER RECOGNITION
X-Vectors: Robust DNN Embeddings for Speaker Recognition