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。
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
- 语音识别(ASR、语音转文字) 语音识别又称 ASR 或语音转文字,把说出的音频转成书面文字。
- 词错误率(WER) 词错误率是语音识别的标准评分:转写稿中与正确参考稿相比,错误、缺失或多余的词所占的比例。