The Pulse
The Refinery di AudioShake separa le voci sovrapposte per l’addestramento dell’IA
AudioShake ha presentato The Refinery l’8 ottobre 2026 per trasformare registrazioni esistenti in dati di addestramento con i parlanti separati. L’azienda afferma che il suo sistema ha elaborato oltre 100 milioni di minuti di audio e segnal
AI.info Team · Scritto con l’IA ·
«AudioShake ci ha aiutato a elaborare migliaia di ore di dati puliti con i parlanti separati, consentendo ai principali laboratori del mondo di sviluppare modelli migliori».
William Namgyal, amministratore delegato & cofondatore, Luel
AudioShake punta a colmare la distanza tra una registrazione e un dataset
AudioShake ha pubblicato i dettagli di The Refinery l’8 ottobre 2026, presentandolo come un modo per convertire registrazioni audio esistenti in materiale strutturato per l’addestramento dell’IA vocale e conversazionale. Il sistema separa le voci nelle registrazioni finite, anche quando le persone si interrompono o parlano contemporaneamente. Non richiede le tracce separate della sessione di registrazione originale.
Secondo l’azienda, questa esigenza nasce dalla differenza tra il modo in cui le persone parlano e quello in cui vengono preparati molti dataset vocali: gli esempi di addestramento contengono spesso voci pulite e isolate, mentre le conversazioni ordinarie includono sovrapposizioni, rumori di fondo e brevi interventi. Archivi e dataset concessi in licenza possono contenere questi scambi, ma le registrazioni finite di solito combinano le voci e gli altri suoni in un’unica traccia audio. Estrarre i singoli parlanti da quella traccia è il compito centrale del prodotto.
Tracce separate conservano interruzioni e brevi segnali di ascolto
The Refinery si basa sulla tecnologia Multi-Speaker 2.0 di AudioShake. La diarizzazione tradizionale può indicare quando due persone parlano contemporaneamente, ma da sola non produce una traccia audio separata per ciascuna voce. AudioShake afferma che il suo sistema restituisce tracce etichettate per parlante, conservando sovrapposizioni, interruzioni e brevi segnali di assenso che possono essere importanti per l’addestramento successivo.
L’azienda descrive anche punteggi di confidenza per l’attribuzione dei parlanti e la qualità della separazione. Questi punteggi servono ad aiutare i team a classificare i risultati, conservare i segmenti migliori e sottoporre quelli incerti a una revisione umana, anziché ascoltare un intero archivio. Secondo AudioShake, il prodotto può anche separare dialoghi, musica e suoni di sottofondo dalle registrazioni finite.
Il risultato di 4,1 volte ha un benchmark ben definito
AudioShake riferisce che, nella sua valutazione LibriCSS, le tracce separate hanno prodotto un numero di errori di trascrizione 4,1 volte inferiore rispetto a un sistema di separazione open source sottoposto al test. La valutazione tecnica dell’azienda identifica il sistema di confronto come MERL TF-Locoformer con un checkpoint Libri2Mix e riporta un tasso di errore sulle parole concatenato a permutazione minima del 9,17% per Multi-Speaker 2.0 contro il 37,75% per il sistema di confronto. L’azienda afferma che entrambi i sistemi sono stati sottoposti alla stessa pipeline di trascrizione con Whisper large-v3.
Il confronto ha un limite dichiarato: AudioShake afferma che il checkpoint pubblico di TF-Locoformer è stato usato al di fuori del dominio su cui era stato addestrato. Il risultato descrive quindi un confronto tra sistemi pronti all’uso, non un test con condizioni di addestramento equivalenti che dimostrerebbe un vantaggio generale di un’architettura. La documentazione tecnica di AudioShake afferma inoltre che l’accuratezza peggiora quando la sovrapposizione prolungata tra parlanti supera circa il 20%.
Secondo AudioShake, le prime implementazioni hanno elaborato 100 milioni di minuti
AudioShake afferma che le prime versioni private di The Refinery hanno elaborato oltre 100 milioni di minuti di audio nell’ultimo anno. Tra i suoi clienti cita Luel, un’azienda di dati di addestramento multimodali, e Rime, un’azienda di IA vocale, oltre a laboratori di IA e piattaforme di scambio di dati di cui non fa il nome. L’azienda non specifica quanto audio provenisse da ciascun cliente né in che modo il materiale elaborato abbia modificato le prestazioni di un modello addestrato.
Il lancio propone una tesi precisa a favore della separazione audio: le registrazioni esistenti potrebbero fornire esempi di addestramento che rispecchiano il modo in cui le persone si parlano davvero, anziché soltanto scambi puliti in cui si parla a turno. Il benchmark annunciato misura gli errori di trascrizione dopo la separazione, non i miglioramenti che un modello ottiene addestrandosi sul corpus risultante. Per ora, le prove rese note da AudioShake consistono in un dato dichiarato sul grande volume di audio elaborato, nei nomi di alcuni clienti e in un test di separazione condotto dall’azienda con un confronto dichiaratamente fuori dominio.