Tách loa là một công nghệ máy học tự động xác định và phân loại ''ai nói và khi nào'' từ âm thanh cuộc trò chuyện của nhiều người. Nó được sử dụng kết hợp với phiên âm để tự động tạo phút với nhãn người phát biểu.
Diarization của loa là công nghệ tự động phát hiện các phần giọng nói của nhiều người nói từ một tệp âm thanh duy nhất và gắn nhãn chúng theo định dạng "Loa A: ○○" và "Loa B: △△." Khi kết hợp với công cụ phiên âm, có thể tự động chuyển đổi các biên bản cuộc họp, phỏng vấn và trung tâm cuộc gọi thành văn bản dành riêng cho người nói.
Để hoạt động thực tế vào năm 2026, pyannote.audio, AWS Transcribe và Google Cloud STT là những lựa chọn chính. Rimo và Notta chuyên về tiếng Nhật và có tiêu chuẩn tách loa và chi phí API trung bình trong lĩnh vực này dao động từ vài chục yên Nhật đến 200 yên Nhật mỗi giờ.
Có ba cạm bẫy. ① Nếu số lượng người nói không được chuyển vào mô hình, hiện tượng lệch âm thanh sẽ thường xuyên xảy ra khi cùng một người bị nhận dạng nhầm là những người nói khác nhau. ② Độ chính xác của tính năng gián đoạn và lời nói đồng thời sẽ tiếp tục chậm lại ngay cả vào năm 2026. ③ Trong môi trường chất lượng thấp như micrô tích hợp trên điện thoại thông minh và bản ghi Zoom, độ chính xác sẽ giảm đáng kể nếu không loại bỏ tiếng ồn trước khi xử lý. Trong trường hợp được thử nghiệm với ReviewAI, độ chính xác được cải thiện khoảng 15% chỉ bằng cách chuyển "gợi ý về số lượng người phát biểu" tới âm thanh hội nghị.