Speaker diarization

转录回答的是“说了什么”，而说话人分离回答的是“谁说的”。这是两个不同的问题：转录文本可能完全准确，但仍可能是一整段未分割的文字。说话人分离将音频按发言轮次分段，并将每段标记为说话人1、说话人2等。通常它无法将这些标签对应到真实姓名。

当多人同时说话，或多个声音相似时，说话人分离最难准确。音源分离清晰的干净录音能显著提高其可靠性。