说话人分离(说话人标签)

说话人分离会判断录音中谁在什么时候说话,并给每一段语音标上说话人,例如说话人 1 和说话人 2。

  • 模型与架构
  • 更新于

普通的转写稿只是一整块文字。说话人分离加上说话人标签,让会议、访谈或通话读起来像一场对话。它可以是与转写器并行运行的单独模型,也可以内置在语音模型里,例如微软的 VibeVoice-ASR 和 NVIDIA 的 Nemotron 3.5 Transcribe,两者都会返回说话人标签。

标签是匿名的:模型只会说不同的人在说话,而不知道他们是谁。语音重叠、说话人很多、音质较差时会更难,所以在依赖它之前,请先听一听你自己录音的样本。

相关术语

继续阅读

全部术语