首页 → 博客 → 谁说了什么：转录文本中的说话人分离

谁说了什么：转录文本中的说话人分离

发布于 2026-08-05 · 5 分钟阅读

这是关于转录最常见的问题，答案却最不让人满意：单个混音文件转出来是一条文本流，没有说话人标签。好消息是，大多数真实场景下你仍然能拿到区分——通常靠改变录音方式，而不是转录方式。

API 能做什么、不能做什么

先把话说直，免得在错误的假设上盖楼：转录接口返回文本和带时间轴的分段。它不返回说话人标签，也没有任何参数能打开这个功能。

说话人分离——判断有几个人在说话、每句话出自谁口——和识别是两个独立的任务。在抢话、相似嗓音和嘈杂房间里它确实很难，做这件事的是另外的模型。

所以实际的问题不是「怎么打开它」，而是「怎么安排事情让自己不需要它」。

方案一：每个说话人单独录音

遥遥领先的最佳方案，也最便宜——成本只是录音前做一个决定。

视频会议。Zoom 可以把每位参会者录成独立音频文件。腾讯会议和 Teams 不行，但参会者自己的设备可以。
线下访谈。两部手机，一人一部，同时开录。
电话系统。多数平台能把通话双方分开录制——这是配置项，不是限制。

各个文件单独转录，就得到完美的区分。按时间戳交错合并，还原整场对话：

rows = []
for name, path in [("主持人", "a.mp3"), ("嘉宾", "b.mp3")]:
    with open(path, "rb") as f:
        r = client.audio.transcriptions.create(
            model="whisper-1", file=f, response_format="verbose_json")
    rows += [(s.start, name, s.text.strip()) for s in r.segments]

for start, name, text in sorted(rows):
    print(f"[{int(start)//60:02d}:{int(start)%60:02d}] {name}: {text}")

方案二：拆分立体声声道

如果录音是立体声、一人一个声道——电话系统和部分录音笔很常见——区分早就藏在文件里了：

ffmpeg -i call.wav -map_channel 0.0.0 left.wav -map_channel 0.0.1 right.wav

然后分别转录两个文件，按上面的方式交错。先确认声道确实是分开的——放进播放器分别听一下左右声道。两个声道都混着两个人声音的立体声文件，拆了也没有收获。

方案三：转录之后人工标注

两个人的对话，发言轮次交替得很有规律，角色通常从内容就能看出来——一个提问，另一个回答。通读一小时的转录文本并标上名字，只要几分钟。

语言模型可以从文字起草标注，但把结果当草稿看：它靠措辞推断，两人观点一致的段落它会自信地标错。发布之前对着时间轴抽查。

方案四：独立的说话人分离模型

如果确实需要在混音音频上自动打标——研究语料、合规档案、你控制不了的会议——路径是跑一个专门的分离模型，产出带时间的说话人轮次，再与转录分段对齐。

现实的代价：多维护一个模型、在转录之外多花 GPU 时间，而且恰恰在你最需要的地方——抢话和短插话上——准确率最差。这是一个真正的项目，不是一个参数。

动手之前，先确认方案一到三覆盖不了你的情况。实践中它们覆盖了大多数。

哪种方案适合哪种场景

场景	最佳做法
你来安排的访谈	两台录音设备，一人一台
销售或客服通话	电话平台按通话方分轨录制
你主持的视频会议	每位参会者单独的音频文件
一人一声道的立体声录音	用 ffmpeg 拆分声道
两人对话、只有混音文件	转录后人工标注
无法重录的大型档案	专门的说话人分离模型

投入之前还值得确认一件事：说话人标签实际被用到的频率有多高？会议纪要和通话质检里，决定本身远比谁说的重要——不少分离系统是为一个没人真正需要的需求建的。

用你自己的录音试一试。 注册只需一分钟，免费额度足够判断识别质量。

免费获取 API 密钥

常见问题

API 能自动标出说话人吗？

不能。它返回文本和带时间的分段；说话人标注是独立的任务，没有参数能打开。实际的答案是把参与者分开录音。

拿到区分最简单的办法是什么？

把每个说话人录到单独的文件或声道。各自转录就得到精确的区分，成本只是安排一下录音方式。

分开的音轨怎么合回一场对话？

每条音轨请求 verbose_json，给每个分段标上说话人名字，然后把所有分段按开始时间排序。

语言模型能猜出谁说了什么吗？

它能从措辞起草一份标注，但那是推断不是事实——两人说相似内容的段落会被标错。当草稿用，对着音频抽查。

值得跑一个独立的分离模型吗？

只对无法重录的档案值得——研究语料或合规材料。代价是多一个模型、更多 GPU 时间，而且在抢话上准确率最弱。