区分说话人：多人对话自动拆分，谁说的清清楚楚

一段会议录音转成文字后，如果所有内容挤在一起、分不清谁说的，整理起来很痛苦。区分说话人（Speaker Diarization）就是解决这个问题：软件自动判断「这句话是 A 说的，那句是 B 说的」，把多人对话按人拆开并标注。本文讲清它是什么、用在哪儿、以及用 VoiceText 怎么操作。

一、区分说话人是什么

通俗地说，普通语音转文字只负责「声音→文字」，但不关心「谁说的」。区分说话人在转写之外多做一步：给每一段话贴上发言人标签。

• 「发言人1：我们这周先把方案定了。」
• 「发言人2：好，我负责写初稿。」
• 「发言人1：周五前发我看看。」

这样整段对话按人分段，后续整理纪要、追责、回看都方便得多。它和「语音转文字」是配套能力——VoiceText 声文智转在转写的同时就完成区分说话人，且在你电脑本地完成。

二、哪些场景特别需要它

• 会议 / 周会：几人讨论，转完直接知道谁承诺了什么，整理纪要快几倍。
• 访谈 / 播客：主持人和嘉宾的问答天然分人，方便出逐字稿和金句摘录。
• 网课 / 讲座：讲师和学生的互动、多人连麦，按人拆分后更好做笔记。
• 电话录音 / 客服：客户与坐席的对话区分开，便于质检和复盘。
• 论坛 / 圆桌：多位嘉宾发言，自动标注发言人让文字稿可读。

三、VoiceText 怎么做区分说话人（4 步）

1

导入多人对话录音

把会议、访谈的录音（mp3 / wav / m4a 等）拖进软件窗口。多人对话、现场录音都支持。

四、区分说话人 ≠ 说话人识别

有个常见混淆要厘清：

• 区分说话人（Diarization）：只区分「这是不同的人」，标成发言人1、发言人2，但不一定知道真名。
• 说话人识别（Identification）：进一步把声音对应到具体某人（需提前录入声纹）。

VoiceText 当前提供的是区分说话人——自动把对话按人拆段并标注，适合绝大多数「理清谁说了啥」的需求；如果需要对应真名，可在导出后手动把「发言人1」改成实际姓名。

五、常见问题（FAQ）

几个人以内的对话分得清？

日常会议、访谈常见的几人对话都能有效拆分。人数越多、互相打断越频繁，拆分难度越大；录音清晰、少重叠时效果最好。

能导出「按人分段」的文稿吗？

能。识别完成后可直接复制带发言人标签的文字，或导出带分段标记的文稿，便于后续整理。

和「离线语音转文字」是一回事吗？

是配套能力：离线转写负责「声音变文字」，区分说话人在本地一并完成「谁说的」。两者都不出本机。详见离线语音转文字专题。

长会议录音也能分离吗？

能。几小时的会议、网课同样支持，配合长音频转写一次处理完。

六、一段周会录音，转写后长什么样（示例）

光说概念太虚，直接看一场 45 分钟、4 人周会的自动分段结果（发言人标签由软件自动给，导出后你把「发言人1」改成真名即可）：

• [00:02:11] 发言人1：这周先把方案框架定下来，别拖。
• [00:02:18] 发言人2：我负责写初稿，周五前发群里。
• [00:02:25] 发言人1：记得把预算那页补上，客户问过。
• [00:02:30] 发言人3：设计稿我同步推进，周三给一版。
• [00:02:37] 发言人2：行，那我初稿里先留设计占位。

有了时间戳 + 发言人，会后追责、回看、写纪要都直接定位，不用再拖进度条找「刚才谁说的那句」。

七、什么会影响区分效果（提前了解，效果更稳）

• 录音距离：手机放桌中央比放口袋里分得清；离人越远，几个人的声音越容易混在一起。
• 重叠说话：两人同时讲，模型难拆开。会议里建议约定「一次一人」，效果立竿见影。
• 背景干扰：背景音乐、机械键盘声会干扰声纹判断，安静环境更好。
• 人数规模：日常 2~6 人会议效果稳；十几人的大会场，建议结合议程人工校正发言人。
• 中文会议特点：打断多、接话快，比西式轮流发言更难分。转完做一次快速通读，基本就能用。

八、相关专题

区分说话人在 VoiceText 声文智转中在您电脑本地运行，适合会议、访谈、网课等多人场景。