---
title: "什么是说话人分离？识别音频中谁在何时说话 | BroadRouter"
description: "说话人分离按说话人切分录音，让转写文本显示谁在何时说话。它的工作原理、如何评分，以及如何在自己的流程中加上这一步。"
url: https://broadrouter.com/zh/glossary/diarization/
lang: zh-Hans
updated: 2026-11-16
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

本页由英文原文借助 AI 翻译。 [阅读英文原文](https://broadrouter.com/glossary/diarization/) (2026-11-16 更新).

# 说话人分离（speaker diarization）

更新于 2026-11-16

说话人分离是把一段录音按说话人切分成片段的任务，回答“谁在何时说话”。它给每段语音打上 SPEAKER\_00 这样的匿名说话人标签，通常与转写文本结合，显示每句话是谁说的。

又称： 说话人日志、说话人区分、说话人识别、说话人标签、多人语音分离、speaker diarization、diarization、speaker diarisation、speaker labels、who spoke when、speaker separation、speaker segmentation

说话人分离把一整块转写文本变成一段对话：客服，然后客户，然后又是客服。

## 工作原理

说话人分离流水线通常分三个阶段：

1.  **找出语音。** [语音活动检测](https://broadrouter.com/zh/glossary/vad/)标出哪里有人在说话。
2.  **对短窗口做嵌入。** 说话人嵌入模型把每个切片转换成一个能刻画声音特征的向量。
3.  **聚类。** 向量相似的切片得到相同的标签；在模型支持的情况下，还会处理重叠语音。

Hugging Face 上开源的 pyannote `speaker-diarization-3.1` 流水线接收 16 kHz 的单声道音频（会把立体声混为单声道，并对其他采样率重新采样），结果以 RTTM 格式输出。RTTM 是一种纯文本格式，每个说话人轮次一行，每行给出文件、声道、开始时间、时长和说话人标签：

```text
SPEAKER call42 1 0.00 4.21 <NA> <NA> SPEAKER_00 <NA> <NA>
SPEAKER call42 1 4.35 2.80 <NA> <NA> SPEAKER_01 <NA> <NA>
```

它的模型卡按基准报告说话人分离错误率（DER），从 REPERE 上的 7.8% 到 AVA-AVD 上的 50.0%，VoxConverse 上为 11.3%。这种差距说明结果非常依赖音频：会议、电视节目和电话录音的表现各不相同。

有些托管 API 会替你完成这一步。OpenAI 的语音转文字指南记录了一个说话人分离模型 `gpt-4o-transcribe-diarize`，它的 `diarized_json` 响应中，各片段带有 `speaker`、`start` 和 `end` 字段，还可以为最多四位已知说话人提供 2 到 10 秒的参考音频。OpenAI 已把该模型列为弃用，将于 2027 年 2 月 26 日停用；它的指南（2026-11-15 查阅）没有为其他任何模型记录说话人标签功能。

## 为什么重要

-   **呼叫中心和访谈。** 质检、合规和摘要都需要知道谁说了什么。
-   **后续的大模型处理。** 带有 “Agent:” 和 “Customer:” 轮次的摘要提示词，比一整堵文字墙得到的回答更好。
-   **费用。** 说话人分离需要额外算力，不同服务商有的单独计价，有的打包在内。[语音转文字 API 价格索引](https://broadrouter.com/data/speech-to-text-api-prices/)注明了哪些服务商对此额外收费。

## 在 BroadNet Inference 上

BroadNet 的文档没有列出说话人分离功能。转写端点只返回 `{"text": "..."}`，没有说话人标签，也没有[时间戳](https://broadrouter.com/zh/glossary/timestamps-asr/)。一个实用的做法是：在本地运行 pyannote 等开源说话人分离工具，用 ffmpeg 在每个说话人轮次处切分音频，然后把每个片段连同 `language` 参数发送给 [BroadNet Transcribe Arabic](https://broadrouter.com/zh/models/cohere-transcribe-arabic/) 或 [BroadNet Transcribe](https://broadrouter.com/zh/models/cohere-transcribe/)。如果双方分别在立体声的两个声道上，直接拆分声道即可，根本不需要模型。完整流程参见[呼叫中心录音转写](https://broadrouter.com/zh/blog/transcribe-call-center-recordings/)。

## 常见问题

### 说话人分离能告诉我说话人的名字吗？

不能。它返回的是 SPEAKER\_00、SPEAKER\_01 这样的匿名标签。有些 API，例如 OpenAI 的 gpt-4o-transcribe-diarize（已弃用，将于 2027 年 2 月 26 日停用），可以根据你提供的简短参考音频，把最多四位说话人对应起来。

### BroadNet 的转写 API 支持说话人分离吗？

BroadNet 的文档没有列出说话人分离功能。该端点以 {"text": ...} 的形式返回转写文本，如果需要区分说话人轮次，请另外运行一个说话人分离模型。

### 说话人分离的准确率怎么衡量？

用说话人分离错误率（DER）：把误报、漏检语音和说话人混淆的时长相加，再除以参考语音的总时长。越低越好。

## 另请参阅

-   [语音转文字（speech-to-text）](https://broadrouter.com/zh/glossary/speech-to-text/) (术语)
-   [语音活动检测（VAD）](https://broadrouter.com/zh/glossary/vad/) (术语)
-   [时间戳（语音转文字，timestamps）](https://broadrouter.com/zh/glossary/timestamps-asr/) (术语)
-   [词错误率（WER，word error rate）](https://broadrouter.com/zh/glossary/word-error-rate/) (术语)
-   [采样率（sample rate）](https://broadrouter.com/zh/glossary/sample-rate/) (术语)
-   [阿拉伯语语音转文字 API 分步教程](https://broadrouter.com/zh/guides/arabic-speech-to-text-api/) (指南)
-   [呼叫中心录音怎么转写：一条支持阿拉伯语的流水线](https://broadrouter.com/zh/blog/transcribe-call-center-recordings/) (文章)
-   [阿拉伯语语音转文字 API：2026 年怎么选](https://broadrouter.com/zh/blog/arabic-speech-to-text-api-buyers-guide/) (文章)

用你的真实业务负载试一试。 新账户可获得 US$5 初始额度，用于 Gemma和转写。DeepSeek、GLM和Qwen3.8 需要先充值。

[开始使用](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=zh-glossary-diarization&utm_content=page-cta) ·

**来源**

-   [pyannote，Hugging Face 上的 speaker-diarization-3.1 模型卡](https://huggingface.co/pyannote/speaker-diarization-3.1)
-   [pyannote.metrics 参考文档，说话人分离错误率](https://pyannote.github.io/pyannote-metrics/reference.html)
-   [OpenAI，语音转文字指南（diarized\_json 与已知说话人；2026-11-15 查阅）](https://developers.openai.com/api/docs/guides/speech-to-text)
-   [OpenAI 弃用说明，语音转文字模型（2026-11-15 查阅）](https://developers.openai.com/api/docs/deprecations)
-   [BroadNet Inference API 参考，转写 （英文）](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=zh-glossary-diarization&utm_content=sources)
