首页 › 说话人分离

说话人分离

说话人分离转写：自动标出谁在说话

一段多人录音转成文字后，如果只是一大坨连续文本，几乎没法用。说话人分离（也就是大家常说的区分说话人、分角色、标出谁说的）会把录音按发言人切开，逐句标注，让文稿变成能读、能引用、能检索的对话记录。识别和分离全部在你的 Mac 上完成，音频与声纹都不上传。

说话人分离到底做了什么

“说话人分离”是技术圈的叫法，英文是 diarization；普通用户搜的往往是“区分说话人”“转文字能不能标出谁说的”。三种说法指的是同一件事，可以拆成两步来理解：

• 切分——先按声音特征把录音切成一段一段，判断“这里换人了”。
• 聚类——再把属于同一个人的片段归到一起，编成“说话人 1 / 说话人 2 / 说话人 3”。

注意它和语音识别是两条独立的处理：识别负责“说了什么”，分离负责“谁说的”。两者合起来，才是一份可用的带说话人的逐字稿。

还有一点要分清：分离出的是“不同的人”，不是“这个人叫什么”。系统不认识你的同事，它只能判断出录音里有三种不同的声音；名字要你自己填。填一次之后，全篇会一起更新。

谁最需要它

记者是最典型的场景。采访录音里问答交替，没有说话人标记的文稿在写稿时几乎无法直接引用；有了标记，一段两人对话就是清清楚楚的一问一答，找引语的时间能省下大半。多次采访同一位受访者时，声音命名的价值会进一步放大。

做质性研究的研究生同样如此。深度访谈、焦点小组的转录是论文工作量的大头，扎根理论那一套编码流程要求先有准确的分角色文稿；先跑一遍机器分离，再人工校对，通常比从零逐字敲要快得多。

播客和视频剪辑用它来定位。知道每一句是谁说的，加上时间轴，就能直接跳到要剪的那一段，也方便生成分角色的字幕。

HR 的面试记录也是常见场景：面试官和候选人的发言分开之后，复盘和交叉评估会容易很多。这一场景涉及他人的个人信息，请务必先取得候选人的同意，并遵守贵司的招聘与信息处理规定。

销售复盘客户拜访是另一类：把自己和客户的发言分开之后，回头看“对方到底关心什么、异议出在哪一句”，比凭记忆写拜访小结准确得多。同样地，录音前请先取得客户同意，并遵守贵司关于客户沟通记录的规定。

给声音命名：下次还能认出同一个人

这个功能很省时间，值得讲细一点。第一次处理某段录音时，你把“说话人 1”改成“李工”。系统会把这个人的声纹特征保存下来，下一次导入另一段录音，如果李工也在里面，他的发言会被直接标成“李工”，不必再手动改一遍。

对于每周开同一个例会、长期跟踪同一批受访者、固定嘉宾的播客来说，这意味着从第二次开始，说话人标注基本不用管了。

关于声纹，有几件事必须写清楚：

• 声纹只保存在你的 Mac 上，不会上传，也不会同步到任何服务器。
• 随时可以删除。在应用的“说话人”页面里删掉某个人，对应的声纹特征就从本机移除了。
• 它是敏感个人信息。按《个人信息保护法》，声纹属于生物识别信息一类的敏感个人信息，处理这类信息需要取得单独同意。因此，在采集同事、受访者、候选人的声纹之前，请先明确告知并取得对方同意——即便全部处理都发生在你自己的电脑上。

需要强调：以上是对功能行为和法律常识的说明，我们不因此声称本软件“合规”。我们能确认的只是架构事实——音频和声纹不离开本机。你的具体使用方式是否满足要求，请以贵司法务／信息安全部门的判断为准。

为什么“在本机做”对这件事格外重要

说话人分离天然要处理声音的个体特征，这正是最敏感的那一部分数据。云端方案的链路是：把完整录音上传，在服务器上提取特征、聚类，结果回传，音频和特征在对方那里留存一段时间。

本机方案里没有上传这一步：

它会在什么情况下分错

说话人分离不是稳定输出正确答案的功能，把预期讲清楚更有用。以下几种情况会明显出错，需要人工调整：

• 抢话和重叠——两个人同时说，重叠段通常只会归给其中一个人，另一个人的那句话可能整段丢失。争论激烈的会议是重灾区。
• 音色相近——两位年龄、性别、口音都接近的说话人，容易被合并成同一个人。
• 串音与共用话筒——几个人围着一支免提话筒，或者远处的人声通过别人的话筒进来，切分点会变得模糊。
• 只说一两句的人——全程只讲了十秒的参会者，样本太短，往往被并进别人里。
• 电话与网络会议的压缩音质——窄带压缩会丢掉不少可用于区分个体的信息。

因此，界面里可以手动改：合并被拆成两个的同一个人、拆开被并在一起的两个人、把某几句重新指派给正确的发言人。改动会同步到整篇文稿。

想提高分离质量，最有效的仍然是录音阶段的动作：让每个人尽量靠近话筒、减少同时说话、关掉持续底噪。

实际怎么用

1. 把音频或视频文件拖进窗口，或者直接在会议进行时用 Mac 录制。
2. 开启说话人分离；如果知道有几个人，把预期人数填上，通常能减少分错。
3. 等转写跑完，文稿会按“说话人 1 / 说话人 2”分好段。
4. 把编号改成真实姓名，全篇一次更新；系统会记住这些声音。
5. 处理明显分错的地方，然后导出 TXT 正文或 SRT / VTT 字幕。

录制他人时请注意：国内职场的通行做法是在会议开始时口头说明“本次会议将录音”。未经同意录制他人的私密活动或私密谈话，可能侵犯《民法典》第 1032—1033 条项下的隐私权。转写与分离结果都是自动处理的产物，我们不对法律用途做任何保证；重要内容请对照原始录音核对，必要时咨询律师。

运行环境与价格

macOS 13 或更高版本，必须是 Apple Silicon（M1 及以上）的 Mac，Intel 机型无法使用。支持 99 种语言，自动识别语种。除首次下载识别模型外不需要联网，也不需要注册账号。

在 Mac App Store 下载免费，先拿一段自己的多人录音试试分离效果；继续使用时在应用内一次性买断 Pro，$49.99，不是订阅（人民币价格以中国区 App Store 显示为准）。免费额度：音频转写共 5 次、视频转写共 5 次（终身额度，不是每天刷新），语音输入每天 5 分钟；录音本身不计次，对已经转写过的内容重新转写也不计次——所以调整预期人数后重跑同一段录音，不会消耗额度。

常见问题

相关内容