Reading Pen høyttalerdiarisering for flere parter: Hvem stilte spørsmålet?

Målgruppe: Denne artikkelen er skrevet for produktledere, lydingeniører og innkjøpsteam som vurderer en SmartReadingPen OEM/ODM-lesepenn for familielesingsprogrammer, klasserom med turtaking og veiledningsscenarier der enheten må skille mellom hvem som snakker – barn, forelder, veileder eller søsken – og kun svare på den tiltenkte stemmen.

En lesepenn som lytter til en 5-åring mens en forelder leser historien høyt, vil feilaktig tilegne halvparten av sine NLU-intensjoner. En lesepenn som lytter til en veileder mens tre elever leser på tur, vil feilaktig tilegne enda flere. Talardiarisering – «hvem som snakket når»-problemet – er forskjellen mellom en penn som føles som en privat veileder og en penn som føles som et forvirret leketøy.

Dette er den tekniske briefen om vår flerparts talardiariseringspipeline: embedding-modellen, klyngealgoritmen, registreringsarbeidsflyten og familie-mot-klasserom-distribusjonsmønstrene du bør validere før enhver OEM reading pens hovedavtale.

1. Hvorfor diarising er viktig på en lesepenn

Tre kommersielle bruksområder driver diarising på våre lesepenner:

1. Familielesingsmodus – en forelder og et barn på 4–7 år leser på tur; pennen må svare på barnets quiz-forsøk og ignorere forelderens fortelling. Se family bedtime story.
2. Veilederledet lesing – en logoped og et barn veksler mellom oppfordring og svar; pennen må kun logge barnets ytringer. Se SLP private practice.
3. Turtaking i klasserommet – en lærer gir oppfordring, en elev svarer; pennen må kun score elevens svar, ikke lærerens oppfordring.

I hvert tilfelle må pennen svare på to spørsmål hver 200. ms: hvem som snakker og er det denne personen jeg skal svare til.

2. Embedding-modellen: en 1,2 MB d-Vector

Vår talerembedding-modell er et 1,2 MB kvantisert d-vektor-nettverk trent på 240 000 ytringer fra 4 800 talere, balansert på tvers av:

• 1 800 barn i alderen 3–12 år (innspilt med foresattes samtykke i vårt R&D-senter i Shenzhen og tre partnerskoler)
• 1 500 kvinnelige voksne i alderen 18–60 år
• 1 500 mannlige voksne i alderen 18–60 år

Nettverket er en 12-lags 1D-Conv + 4-lags Transformer-enkoder som kobler en 1,6 s lydramme til en 128-dimensjonal embedding. Embeddinger er L2-normalisert før lagring, slik at cosinus-likhet i [−1, 1] tilsvarer talerlikhet.

Den lave EER-en på tvers av klasser (0,4 %) betyr at modellen sjelden forveksler et barn med en voksen – viktig for brukstilfeller med parental control.

3. Registrering og profilagring

En talerprofil opprettes med 4 stemmeprøver på 6 sekunder hver (24 s totalt) uttalt av målbrukeren. Prøvene må dekke minst 2 ulike fonemklasser (f.eks. lesing + telling). De 4 embeddingene gjennomsnittsberegnes, og den resulterende centroiden lagres i kryptert NAND, merket med et profilnavn («Mom», «Tommy», «Tutor Ms. Lee»).

Lagringskostnad per profil er 512 byte embedding + 128 byte metadata. En penn kan lagre opptil 8 profiler før NAND-trykk tvinger frem kassering (LRU-policy, den profilen som er eldst og minst brukt fjernes først).

Registrering er beskyttet av foreldre-PIN når profilen tilhører et barn under 13 år, i tråd med COPPA parental controls og GDPR-K data minimization.

4. Klyngealgoritmen under kjøring

Under kjøring produserer hver lydramme på 1,6 s en embedding. Pennen vedlikeholder en løpende buffer med de siste 30 embeddingene (48 s lyd). En begrenset agglomerativ klyngealgoritme grupperer påfølgende embeddinger som overskrider en cosinus-likhetsterskel på 0.74, og produserer segmenter for talertur med start-/sluttider og en klynge-ID.

Hvis en klynge-ID samsvarer med en registrert profil innenfor cosinus 0,78, merkes segmentet med profilnavnet. Hvis ikke, merkes segmentet «unknown» og sendes til dialogbehandleren med et flagg som utløser avklaringskaskaden.

Klyngetrinnet legger til 12 ms ventetid per ramme på en Q8, noe som bringer den totale diariseringskostnaden til 30 ms per ramme, godt innenfor NLU-budsjettet på 200 ms.

5. Ytelse med flere parter

Vi måler diariseringsytelsen på ChildCare Diarization Corpus (et utelatt testsett med 200 talere av forelder–barn-par som vi spilte inn i 2024) og på AMI Meeting Corpus (voksne i flerpartssamtaler).

DER beregnes som andelen av lydtiden der den tildelte taler-ID-en er feil. Forvekslingsraten for talere er andelen av turer der to talere er byttet om. For K–12-utplassering vil en DER over 10 % merkbart forringe opplevelsen; vår familie-lesemodus ligger i snitt på 4,8 %, som er på grensen til ikke-merkbart.

6. Familie-lesemodus: standardbruks­tilfellet

Den vanligste utplasseringen er en forelder og ett eller to barn som leser sammen i sofaen. Anbefalt profilkonfigurasjon:

• Profil 1: Primærbarn (f.eks. «Sofia», 6 år)
• Profil 2: Sekundærbarn (f.eks. «Diego», 9 år) — valgfritt
• Profil 3: Forelder — valgfritt, brukes til «les for meg»-fortellermodus

Pennen ruter kun kommandoer (oversett, quiz, oppslag) til den barneprofilen som sist berørte spissen, registrert av OID-sensoren. Forelderen kan når som helst avbryte med en PIN-autentisert overstyring.

I et familie-lesepilotprosjekt over 14 dager med 60 familier i tre byer (Shenzhen, Barcelona, São Paulo), var den diariserings­tilskrevne quiz-scoren innenfor ±4 % av en menneskelig kodet referanse, noe som validerer at systemet korrekt tilskrev 96 % av turene til det tiltenkte barnet.

Innkjøpstips: Når du vurderer en leverandørs familie-lesemodus, bør du spørre om diariseringen kjører på enheten eller i skyen. Skyavhengig diarisering svikter i det øyeblikket hjemmets Wi-Fi faller ut, og den overfører barnets talebiometri — en regulert spesiell kategori under GDPR art. 9.

7. Tur-taking i klasserommet: det krevende tilfellet

Klasserommet med turtaking er 3–4× vanskeligere enn familielesing på grunn av problemet med samtidige talere. Tre elever leser høyt etter tur; pennen skal kun score den eleven som har turen.

Tiltaket er en totrinns beslutning:

1. Berøringsport ved pennespissen — eleven må berøre pennespissen mot et ord før han/hun snakker; OID-sensorhendelsen fungerer som en «krav-token» som reserverer de neste 5 sekundene av lyd for den berørte taleren.
2. Stemmesammenligning — de 5 sekundene med lyd scores mot den registrerte profilen til eleven hvis profilnavn sist ble valgt i følgeappen.

Hvis stemmesammenligningen mislykkes (f.eks. feil elev snakker), returnerer pennen en myk feil: «Jeg tror ikke det er din tur. Vennligst send pennen videre til den neste leseren.» Klasserommets WER for attributtet tiltenkt-elev er 94,2 % i et pilotprosjekt med 30 elever ved en barneskole i Shenzhen.

8. Personvern: Stemmebiometri er en spesiell kategori av data

Taler-embeddinger er biometriske data og klassifiseres som en spesiell kategori av personopplysninger i henhold til GDPR art. 9, LGPD art. 11 og PIPL. Implikasjonene:

• Embeddinger må lagres kryptert (AES-128-XTS i vår implementasjon).
• Embeddinger må aldri forlate enheten uten eksplisitt, signert samtykke.
• Embeddinger må kunne slettes på forespørsel fra brukeren (rett til sletting).
• Pennen må ikke bruke embeddinger til noe annet formål enn den erklærte diariseringsfunksjonen.

Vår implementasjon revideres årlig av en tredjeparts personvernrevisor; den nyeste revisjonsrapporten (mai 2026) er tilgjengelig for kjøpere under NDA. Dette er en del av vårt bredere GDPR-compliance-program.

9. Strøm- og lagringsbudsjett

Dariseringen er hendelsesutløst: den kjører kun i vinduet fra vekkeord til kommandoens slutt (vanligvis 4–8 s). Strømforbruket er neglisjerbart sammenlignet med den alltid-på vekkeordet og den aktive TTS-avspillingen.

10. Veikart: Kontinuerlig talersporing

Veikartet for 2027 legger til kontinuerlig talersporing uten eksplisitt registrering. Pennen vil bootstrappe en talerprofil fra ett enkelt vekkeord, og deretter foredre den gjennom samtalen. Dette er en del av arbeidsstrømmen for adaptiv læringsalgoritme og er bak en foreldreopt-in-flagg for COPPA-compliance.

Et annet veikart-element er følelsesbevisst diarisering som flagger en frustrert barnestemme for lærergjennomgang, og mater inn i arbeidsstrømmen for prosodimodellering og emosjonell TTSArbeidsflyt.

Relatert lesing

• Lesevekkord-deteksjon og alltid-på-lytting for lesepenn
• NLU-intentklassifisering og slotutfylling for lesepenn
• Fjernfeltstemmeopptak og stråleforming for lesepenn
• Samtale-AI og dialoghåndtering for lesepenn
• Bruksscenario for lesepenn: familiens godnatthistorie
• Bruksområde for lesepenn – SLP privatpraksis

11. Produksjonsomfang og personvernteknikk

Innbyggingsmodellen d-vector (1,2 MB INT8), koden for begrenset agglomerativ klynging og den krypterte profilbutikken er integrert i hver firmware-image for B1, B2, F8, K7, KF1, L5, P2, Q6, Q8, T2 og Y6 ved produksjonslinjene våre i Shenzhen Longhua og Dongguan Houjie, begge ISO 9001- og ISO 14001-sertifiserte. Daglig produksjon ligger i snitt på 6 800 ferdige enheter, med toppskift på 11 400 enheter i september 2025. Førstegangsutbytte er 98,6 % på AQL II-nivå (Critical 0, Major 1,0, Minor 2,5). Hver profilinnbygging krypteres med AES-128-XTS ved bruk av en per-enhet-nøkkel som fusjoneres ved FCT-stasjonen; nøkkelen forlater aldri enheten og roteres ved hver firmwareoppdatering via OTA-mekanismen for firmwareoppdatering. Innbyggingsstørrelsen på 512 byte gjør NAND-forbruket per profil ubetydelig: selv en penn som lagrer maksimalt 8 profiler bruker bare 4,1 kB av den 256 MB store NAND-kapasiteten på Q8. Sluttlinjetestlogger verifiserer kryss-klasse EER (barn mot voksen) på 0,4 % på et gullsett med 100 ytringer før pennen forsegles. Standard produksjonstid er 75 dager eller 45 dager ekspress (12 % tillegg, MOQ ≥ 10 000). Leveringstid for prøver er 7 dager fra request-a-quote.

12. Sertifisering og personvernstatus

Hver diariseringsaktivert penn leveres med sertifiseringsdokumentasjon for destinasjonsmarkedet: CE (RED/EMC/LVD), FCC Part 15, UKCA, EN 71-1/2/3, ASTM F963, CPSIA/CPC, RoHS, REACH, PSE (Japan), KC (Korea), GCC/SFDA (Saudi-Arabia), SNI (Indonesia), NOM (Mexico), INMETRO (Brasil), RCM (Australia/New Zealand), NRCS LOA (Sør-Afrika) og ESMA/TIS (De forente arabiske emirater/Thailand). Batteriforsendelser bruker UN38.3 + IEC 62133 + MSDS. Personvernsoverholdelse er dokumentert for GDPR, COPPA, PIPL, LGPD, Thailands PDPA og California Prop 65. D-vektor-innbyggingene behandles som biometriske spesialkategoridata i henhold til GDPR art. 9, LGPD art. 11 og PIPL art. 28, og vår uavhengige personvernrevisor reviderer lagrings- og tilgangsveien årlig; den siste revisjonen (mai 2026) er tilgjengelig for kjøpere under NDA. Denne biometriske tilnærmingen er et av de sterkeste compliance-argumentene for anskaffelser til skoledistrikt som krever verifiserbar GDPR-K-datatilpasning. Nye jurisdiksjoner utenfor de 47-land-basen prises til 1 800 dollar per marked for en ny dossier med 15 virkedager leveringstid.

13. OEM-priser og SKU-avveininger

Diariseringsmodulen er inkludert i standard fastvare-pakken til fabrikkpris $3,80–$14,50 per enhet på tvers av de 11 SKU-ene. Prisnivåer: P2 (500 mAh) på inngangsnivå, B1/B2/F8/K7/KF1 mellomnivå til $5,40–$8,60, L5/P2/Q6 mellomnivå til $7,20–$10,40, og Q8/T2/Y6 premium til $11,80–$14,50. Innbyggingsmodellen på 1,2 MB er inkludert i fastvare-binæren uten royalty per enhet; lagring per profil (512 B innbygging + 128 B metadata × opptil 8 profiler) er tilsvarende inkludert. Tilpasset profilkapasitet prises til $4 200 NRE per 8 ekstra profiler, uten royalty per enhet. Klasserom-modus for turtaking (tip-touch-port + stemmematch) leveres med standard fastvare på Q6/Q8/T2/Y6 SKU-er uten ekstra kostnad; på B1/B2/F8/K7/KF1/L5/P2-familien krever den en fastvareoppgradering priset til $2 400 NREmed en leveringstid på 4 uker. MOQ-nivåer: 500 enheter for standard nøytral, 1 000 for egendefinert farge, 3 000 for egendefinert silketrykk-logo, 5 000 for full private label med detaljhandelsemballasje. Betalingsbetingelser er T/T 30/70, L/C ved sikt, OA for gjentakende kjøpere, PayPal for prøveordrer. For å starte et OEM/ODM-kartleggingsprogram, send din målrettede SKU-miks og dine tre viktigste destinasjonslokasjoner til request-a-quote; vårt ingeniørteam returnerer en dimensjonert fastvare-pakke, en enhetskostnadsstige og en compliance-dossier-indeks innen én virkedag.

14. Interne valideringsdata fra 47 000+ enheter

Etter 47 000+ enheter utplassert i 47 land siden 2023, har diariseringsrørledningen logget 3,1 millioner profilerte leseøkter og 14,8 millioner tilskrevne turer. Den vanligste utplasseringen er familielesemodus (62,4 % av aktive penner), etterfulgt av enkeltbarns selvstudium (28,1 %), veiledet SLP-økt med lærer (6,2 %) og klasserom-turtaking (3,3 %). Kryssklasse EER (barn vs. voksen) på det felt-innsamlede revisjonssettet er 0,4 % (i tråd med det tilbakeholdte testsettet), samme-klasse barn-vs-barn EER er 2,4 % og voksen-vs-voksen EER er 1,1 %. Lagringsgrensen på 8 profiler nås av 2,1 % av brukerne, hovedsakelig store barnefamilier og små SLP-praksiser; LRU-utkastingspolicyen fjerner den minst brukte profilen etter en 60-sekunders advarsel. Falskt matchrate for taler-innbygging ved cosinus-grenseverdien 0,78 er 0,08 % på en felt-test med 100 000 par. Fastvare-versjonskartet er standard 86-utgivelsesbaseline: B1/B2 2.4.7, F8 3.1.2, K7/KF1 1.9.5, L5 4.2.0, P2 2.0.3, Q6/Q8 3.3.1, T2/Y6 2.6.4. Veikartselementet for kontinuerlig taler-sporing (uten registrering) er bak en foreldre-samtykkeflagg for COPPA-compliance.

15. Hovedpunkter for innkjøpere i tekniske team

Fem tommelfingerregler for OEM/ODM-anskaffelse av taler-diarisering:

1. Gjennomfør alltid et 14-dagers familielese-pilotprosjekt før master-PO. Pilotdata fanger reell DER (4,8 % baseline for 1 barn + 1 forelder) på ditt innhold.
2. Spesifiser profilgrense og LRU-policy ved fastvare-låsing. Standard er 8 profiler med LRU-utkasting; større kapasiteter koster $4 200 NRE per 8 profiler.
3. Lås klasserom-ets tip-touch-port-adferd med kursteamet ditt. Standard reserverer 5 s lyd for den berørte taleren; lengre reservasjoner øker risiko for krysstale.
4. Avsett 5 virkedager til GDPR / LGPD / PIPL-dossier-gjennomgang med compliance-teamet vårt. Den biometriske spesialkategori-tilnærmingen er ikke til forhandling.
5. Planlegg en 5 % canary OTA-kohort ved utrulling av 2027-fastvaren for kontinuerlig taler-sporing. Canary fanger regresjon i innbygginger før de når hele flåten.