说话人分离指南 - 识别音频和视频中的说话人
TranscriptionIntermediate

说话人分离指南 - 识别音频和视频中的说话人

说话人分离和识别完整指南。 了解人工智能如何检测不同的说话人、分配标签并创建有组织的多说话人记录稿。

什么是说话人日志？

说话人日志是自动检测和标记音频或视频录音中不同说话人的过程。“日志”一词源于“日记”——记录谁在何时说话。

当您转录多人对话、播客、采访或会议时，日志会回答一个关键问题：“谁说了什么？”

没有日志：

欢迎收听今天的播客。谢谢你邀请我。让我们从你的背景开始。我 15 年前开始在科技领域工作......

使用日志：

[说话人 1]：欢迎收听今天的播客。
[说话人 2]：谢谢你邀请我。
[说话人 1]：让我们从你的背景开始。
[说话人 2]：我 15 年前开始在科技领域工作......

更好的是，使用指定名称的说话人：

[约翰·史密斯]：欢迎收听今天的播客。
[莎拉·约翰逊]：谢谢你邀请我。
[约翰·史密斯]：让我们从你的背景开始。
[莎拉·约翰逊]：我 15 年前开始在科技领域工作......

为什么说话人日志很重要

说话人识别将原始的文字记录转换为有组织的、可用的文档：

主要优点：

  • 明确的归属： 准确地知道谁说了什么
  • 更好的理解： 轻松地跟踪对话
  • 轻松引用： 提取特定人的陈述
  • 会议纪要： 归属决策和行动项目
  • 访谈分析： 按发言人整理问答
  • 播客制作： 创建带有主持人/嘉宾标签的节目备注
  • 研究： 分析个人发言人的贡献

使用案例：

  • 商务会议（跟踪谁做了哪个决定）
  • 访谈（将面试官与受访者分开）
  • 播客（主持人与嘉宾的识别）
  • 焦点小组（个人参与者跟踪）
  • 法律取证（律师与证人）
  • 客户电话（座席与客户）
  • 会议小组（舞台上的多个发言人）

说话人日志如何工作（科学原理）

ScreenApp 使用先进的 AI 来检测和分离说话人：

步骤 1：语音特征提取

AI 分析每个片段的音频特征：

  • 音高： 声音的基频
  • 音调： 声音的质量和音色
  • 节奏： 说话的节奏和速度
  • 能量： 音量和强调模式
  • 共振峰： 声道共振频率

这些特征为每个说话人创建了一个独特的“声音指纹”。

步骤 2：说话人聚类

AI 将相似的语音片段分组：

  1. 分析整个录音中的语音特征
  2. 识别相似声音的不同集群
  3. 为每个集群分配一个说话人标签（说话人 1，说话人 2，等等）
  4. 片段根据语音相似性按说话人分组

聚类如何工作：

  • AI 检测语音变化（不同的音高、音调等）
  • 将不同时间戳上的相似声音分组在一起
  • 每个集群变成一个说话人
  • 集群按顺序编号（说话人 1、2、3…）

步骤 3：分割分配

每个口语片段都会被分配给一个说话人：

  1. AI 确定一个说话人何时停止而另一个说话人何时开始
  2. 每个片段都会收到一个说话人标签
  3. 时间戳标记每个说话人何时说话
  4. 抄本按说话人组织显示

准确性因素：

  • 清晰、独特的声音：90-95% 的准确率
  • 声音相似的说话人：75-85% 的准确率
  • 语音重叠：60-75% 的准确率
  • 背景噪音：准确率降低 10-20%

步骤 4：AI 说话人姓名建议（可选）

对于某些内容类型，AI 可能会建议说话人姓名：

  1. 分析对话上下文
  2. 寻找说话人介绍（“嗨，我是 John…”）
  3. 检测角色模式（采访者 vs 被采访者）
  4. 根据上下文线索建议姓名

您可以接受建议或手动分配姓名。

逐步操作：使用说话人分离

步骤 1：上传多说话人音频/视频

  1. 前往 ScreenApp
  2. 点击 “上传” 或拖放您的文件
  3. 或者，使用 “从 URL 导入” 进行会议录音
  4. 等待上传完成

最适合分离的内容：

  • ✅ 访谈（2 位说话人）
  • ✅ 播客（主持人 + 嘉宾）
  • ✅ 会议（3-10 位参与者）
  • ✅ 小组讨论（多位说话人）
  • ✅ 客户电话（2 位说话人）
  • ⚠️ 大型会议（10+ 位说话人 - 可能会很复杂）

文件要求：

  • 清晰的音频（最小的背景噪音）
  • 独特的声音（不同的音高/音调）
  • 最小的说话人重叠
  • 良好的麦克风质量

步骤 2：使用说话人分离进行自动转录

上传后：

  1. ScreenApp 自动转录音频
  2. 状态显示 “正在转录…” 然后 “正在分离…”
  3. AI 在转录过程中检测到不同的说话人
  4. 自动分配说话人标签（说话人 1、说话人 2 等）
  5. 对于大多数录音，处理会在 1-3 分钟内完成

分离期间会发生什么：

  • 语音转文本转录
  • 语音指纹提取
  • 说话人聚类和分割
  • 每个说话人的时间戳分配
  • 可选的 AI 姓名建议

处理时间：

  • 2 人对话：每 10 分钟音频约 1 分钟
  • 3-5 位说话人：每 10 分钟约 1.5 分钟
  • 6+ 位说话人：每 10 分钟约 2 分钟

第3步：查看带发言人标签的文字记录

处理完成后：

  1. 单击您的文件以打开它
  2. 导航到文字记录选项卡
  3. 每个片段显示发言人标签（发言人 1、发言人 2 等）
  4. 发言人标签出现在每段对话之前

文字记录格式：

发言人 1：欢迎大家参加今天的会议。
发言人 2：感谢邀请我们。
发言人 1：让我们从季度更新开始。
发言人 3：如果您愿意，我可以先展示数字。

审查准确性：

  • 检查不同的发言人是否有不同的标签
  • 验证发言人变更是否发生在正确的时间戳
  • 查找标记错误的片段（错误的发言人）
  • 记录是否多个发言人被归为一组

第 4 步：为发言人分配真实姓名

用实际姓名替换通用标签：

  1. 在文字记录选项卡中，找到发言人的一个片段
  2. 单击发言人标签（例如，“发言人 1”）
  3. 将出现一个下拉菜单，显示：
    • 当前发言人标签
    • AI 建议的姓名（如果可用）
    • 团队成员（如果连接了工作区）
    • 输入自定义名称的选项
  4. 选择或键入此人的真实姓名
  5. 单击以确认

来自该发言人的所有片段都会在整个文字记录中自动更新。

分配姓名：

之前：
发言人 1：让我们从介绍开始。
发言人 2：大家好，我是来自营销部的 Sarah。

命名后：
John Smith：让我们从介绍开始。
Sarah Johnson：大家好，我是来自营销部的 Sarah。

姓名分配选项：

  • AI 建议： 如果 AI 从上下文中检测到姓名
  • 团队成员： 从您的工作区成员中选择
  • 自定义名称： 手动键入任何名称
  • 清除标签： 删除自定义名称，恢复为发言人 X

第 5 步：批量发言人编辑（可选）

如果您需要更改多个发言人分配：

  1. 某些片段可能被错误标记（发言人 1 应该是发言人 2）
  2. 单击一个标记错误的片段
  3. 更改发言人分配
  4. ScreenApp 允许编辑单个片段

何时使用批量编辑：

  • AI 混淆了两个听起来相似的发言人
  • 多个发言人合并为一个标签
  • 一个发言人被拆分为多个标签

编辑工作流程：

  1. 识别错误标记的模式
  2. 单击具有错误发言人的片段
  3. 重新分配给正确的发言人
  4. 对其他标记错误的片段重复

提高发言人检测准确性

录音前

优化音频设置：

  • 使用高质量的麦克风（首选外部麦克风，而不是内置麦克风）
  • 将麦克风放置在距离每个发言人 6-12 英寸的位置
  • 减少背景噪音（关闭窗户、关闭风扇）
  • 如果可能，为每个发言人使用单独的麦克风
  • 在录音前测试音频电平

录音环境：

  • 安静的房间，回声尽可能小
  • 避免硬表面（使用柔软的家具以减少混响）
  • 没有重叠的音乐或背景音频
  • 尽量减少纸张沙沙声和键盘输入

发言指南：

  • 避免互相交谈
  • 允许发言人之间有短暂的停顿
  • 以正常的音量和速度说话
  • 不要耳语或喊叫
  • 与麦克风保持一致的距离

During Diarization

If diarization accuracy is low:

  1. Check audio quality: Poor audio = poor speaker detection

    • Re-record with better microphone if possible
    • Use noise reduction tools before uploading
    • Ensure volume levels are adequate

  2. Verify speaker count: Too many or too few speakers detected

    • If AI detects fewer speakers than actual: Voices too similar
    • If AI detects more speakers than actual: One person’s voice varied too much
    • Manual correction needed in these cases

  3. Review speaker changes: Are transitions accurate?

    • Check where AI thinks speaker changed
    • Verify it matches actual speaker transitions
    • Manually correct if needed

After Diarization

Manual cleanup:

  • Review entire transcript for mislabeled segments
  • Focus on sections where speakers overlap
  • Correct ambiguous segments where speaker unclear
  • Verify names are assigned correctly throughout

Quality check:

  1. Sample random segments throughout transcript
  2. Ensure speaker labels match audio
  3. Check that all speakers have been identified
  4. Verify no speaker was split into multiple labels

Common Diarization Challenges

Challenge 1: Similar-Sounding Voices

Problem: Two speakers with similar pitch/tone get confused

Example scenarios:

  • Two male speakers with similar voice characteristics
  • Family members (similar genetics = similar voices)
  • Speakers from same region (similar accents)

Solutions:

  1. Review transcript carefully for switches
  2. Use context clues (who would say what)
  3. Manually reassign mislabeled segments
  4. In future recordings, have speakers identify themselves periodically

Accuracy: Drops from 90-95% to 75-85% for similar voices

Challenge 2: Overlapping Speech

Problem: Multiple people talking at once

Example scenarios:

  • Crosstalk in heated discussions
  • Simultaneous agreement (“Yes!” from multiple people)
  • Interruptions mid-sentence

Solutions:

  1. AI typically assigns to the louder speaker
  2. Overlapping portions may be unclear in transcript
  3. Manual review needed for critical overlaps
  4. In future: Establish speaking order or use raised hands

Accuracy: Drops to 60-75% during overlapping speech

Challenge 3: Single Speaker with Variable Voice

Problem: 一个人的声音变化很大

Causes:

  • Emotional changes (calm to excited) - 情绪变化（平静到激动）
  • Physical changes (standing vs sitting) - 身体变化（站立与坐着）
  • Distance from microphone varies - 离麦克风的距离不同
  • Cold or illness affecting voice - 感冒或疾病影响声音
  • Shouting or whispering - 喊叫或耳语

Solution:

  1. AI may split one person into multiple speakers - 人工智能可能会将一个人分成多个发言人
  2. Review and merge speaker labels if needed - 如果需要，审查并合并发言人标签
  3. Manually reassign segments to correct speaker - 手动将片段重新分配给正确的发言人

Challenge 4: Background Voices

Problem: 将环境声音检测为发言人

Example scenarios:

  • Someone talks in the background - 有人在背景中说话
  • TV or radio playing - 电视或收音机播放
  • Nearby conversation - 附近的谈话
  • Voice from phone call on speaker - 电话扬声器的声音

Solutions:

  1. AI may create extra speaker labels for background voices - 人工智能可能会为背景声音创建额外的发言人标签
  2. Manually remove or ignore these segments - 手动删除或忽略这些片段
  3. In future: Mute background audio sources during recording - 未来：在录音期间使背景音频源静音

Challenge 5: Phone/Video Call Audio

Problem: 来自通话的压缩音频降低了准确性

Causes:

  • Call compression degrades voice quality - 通话压缩会降低语音质量
  • Network issues cause audio artifacts - 网络问题导致音频失真
  • Speaker phone echo - 扬声器电话回声
  • Low bitrate audio - 低比特率音频

Solutions:

  1. Record locally if possible (not just the call audio) - 如果可能，在本地录制（不仅是通话音频）
  2. Use high-quality call recording tools - 使用高质量的通话录音工具
  3. Avoid speakerphone when possible - 尽可能避免使用扬声器电话
  4. Ensure strong network connection - 确保强大的网络连接
  5. Accept that accuracy may be 10-15% lower for call recordings - 接受通话录音的准确率可能会降低 10-15%

Speaker Diarization Use Cases

1. Meeting Documentation

Workflow:

  1. Record meeting (Zoom, Google Meet, Teams) - 录制会议（Zoom、Google Meet、Teams）
  2. Upload to ScreenApp for transcription + diarization - 上传到 ScreenApp 进行转录 + 说话人分离
  3. Assign names to each participant - 为每位参与者分配姓名
  4. Export transcript with speaker labels - 导出带有说话人标签的转录
  5. Distribute meeting minutes to team - 将会议记录分发给团队

Benefits:

  • Clear attribution of who said what - 清楚地说明了谁说了什么
  • Track decisions and action items by person - 按人员跟踪决策和行动项
  • Accountability for commitments made - 对所做承诺的问责
  • Easy to extract quotes for summaries - 易于提取用于摘要的引言

Example output:

[John Smith - CEO]: Let's review Q4 goals.
[Sarah Johnson - CFO]: Revenue is up 15% this quarter.
[Mike Chen - CTO]: We launched 3 new features.

2. Interview Transcription

Journalist/Researcher workflow:

  1. Record interview (in-person or remote)
  2. Get diarized transcript
  3. Assign Interviewer and Subject labels
  4. Extract quotes with proper attribution
  5. Use for article writing or research analysis

Benefits:

  • Easy to find specific person’s statements
  • Accurate quote attribution for publication
  • Analyze interview patterns
  • Create Q&A format transcripts

Example format:

[Interviewer]: What inspired you to start the company?
[Subject]: I saw a gap in the market for...
[Interviewer]: How did you fund the initial development?
[Subject]: We bootstrapped for the first two years...

3. Podcast Production

Podcaster workflow:

  1. Record podcast episode with guests
  2. Get diarized transcript
  3. Assign host and guest names
  4. Create show notes from transcript
  5. Extract highlights for social media

Benefits:

  • Auto-generate show notes with speaker attribution
  • Create episode summaries easily
  • Pull specific guest quotes
  • Build searchable podcast archive
  • Generate blog posts from episodes

Podcast show notes example:

[00:00] - John (Host) introduces episode topic
[02:15] - Sarah (Guest) shares her background
[15:30] - Discussion of main topic
[42:00] - Rapid-fire Q&A segment

4. Focus Group Analysis

Market research workflow:

  1. Record focus group session
  2. Diarize to separate participants
  3. Assign participant IDs (Participant 1, 2, 3 for anonymity)
  4. Analyze responses by participant
  5. Extract themes and patterns

Benefits:

  • Track individual participant contributions
  • Analyze dominant vs quiet participants
  • Extract specific feedback by person
  • Quantify participation rates
  • Identify consensus or disagreement

5. Customer Service Call Analysis

Call center workflow:

  1. Record customer support calls
  2. Diarize Agent vs Customer
  3. Analyze call patterns
  4. Extract successful resolution techniques
  5. Train agents based on best practices

Benefits:

  • Separate agent from customer speech automatically
  • Analyze agent performance
  • Identify common customer concerns
  • Extract verbatim customer quotes
  • Monitor call quality and compliance

Exporting Speaker-Labeled Transcripts

Download diarized transcripts in multiple formats:

导出具有说话人标签的格式

  1. 纯文本 (.txt) - 带有说话人姓名的简单格式

    John Smith：这是第一点。
Sarah Johnson：我同意这个评估。

  2. Word 文档 (.docx) - 使用说话人姓名和时间戳进行格式化

    • 每个说话人更改都在新行上
    • 包括时间戳
    • 说话人姓名以粗体显示

  3. PDF 文档 (.pdf) - 专业格式

    • 清晰的说话人归属
    • 格式化以便共享
    • 可选时间戳

  4. SRT 字幕 (.srt) - 用于带有字幕中说话人姓名的视频

    1
00:00:01,000 --> 00:00:03,500
[John Smith]：这是第一点。

如何导出

  1. 打开您的说话人分离转录
  2. 点击 “下载” 按钮
  3. 选择格式（TXT、DOCX、PDF、SRT）
  4. 文件下载包含说话人姓名

说话人姓名保留：

  • 所有格式都包含分配的说话人姓名
  • 如果未分配姓名，则使用通用标签（说话人 1、2、3）
  • Word、PDF 和 SRT 格式中包含时间戳

说话人分离 vs 手动标记

了解何时自动说话人分离可以节省时间：

因素自动说话人分离手动标记
速度1-3 分钟处理10 倍录音长度
准确性90-95%（良好音频）100%（如果仔细）
工作量审查 + 姓名分配转录 + 手动标记
成本AI 处理时间成本
最适合大多数录音关键法律/医疗

何时使用自动说话人分离：

  • 一般商务会议
  • 播客和访谈
  • 大多数研究应用
  • 内容创作
  • 内部文档

何时手动审查至关重要：

  • 法律证词
  • 医疗咨询
  • 高风险的商业谈判
  • 发表的研究
  • 符合性关键录音

混合方法（最佳实践）：

  1. 使用自动说话人分离进行初始处理
  2. 手动审查准确性
  3. 更正任何错误
  4. 验证关键片段
  5. 导出最终版本

高级说话人分离功能

AI 说话人姓名检测

对于某些内容，AI 可以建议说话人姓名：

它是如何工作的：

  1. AI 分析转录上下文
  2. 寻找自我介绍（“嗨，我是 John…”）
  3. 检测模式（主持人 vs 嘉宾，采访者 vs 主题）
  4. 根据上下文建议姓名

何时可用：

  • 带有正式介绍的访谈
  • 具有主持人/嘉宾结构的播客
  • 参与者自我介绍的会议

接受建议：

  1. 审查 AI 建议的姓名
  2. 验证它们是否与正确的说话人匹配
  3. 根据需要接受或修改
  4. AI 从您的更正中学习

团队成员集成

将发言者连接到您的工作区：

  1. 将会议参与者分配给团队成员
  2. 发言者标签链接到用户配置文件
  3. 在文字记录中自动标记团队成员
  4. 跟踪个人在会议中的贡献

好处：

  • 所有会议中一致的发言者姓名
  • 链接到电子邮件/个人资料
  • 按团队成员分析
  • 可按人搜索

多语言说话人分离

ScreenApp 可以用 100 多种语言进行说话人分离：

  1. 上传任何语言的音频
  2. AI 自动检测语言
  3. 说话人分离适用于任何语言
  4. 发言者姓名可以是任何语言

支持的语言： 所有转录支持的语言也支持说话人分离

隐私和说话人数据

ScreenApp 安全地处理说话人数据：

数据保护：

  • 语音指纹暂时生成用于说话人分离
  • 处理完成后不存储
  • 说话人姓名由您控制
  • 不与第三方共享
  • 随时删除

对于敏感录音：

  • 使用匿名说话人标签（参与者 1、2、3）
  • 如果需要隐私，请勿分配真实姓名
  • 控制谁可以访问文字记录
  • 分析完成后删除

下一步

现在您了解了说话人分离，请探索以下相关主题：

立即尝试说话人分离

ScreenApp 通过自动说话人分离、AI 姓名建议和简单的说话人分配，使说话人识别变得轻松。将多说话人录音转换为有组织的、可归属的文字记录。

准备好在您的第一个录音中识别说话人了吗？ 免费试用 ScreenApp 的说话人分离 并按照本指南操作。