Anarlog 说话人分离完整指南一场 4 人会议的录音是怎么分清每个人的【免费下载链接】anarlogOpen source Granola AI Alternative项目地址: https://gitcode.com/GitHub_Trending/hy/anarlog四个人抢着发言纪要却糊成一锅粥。Anarlog 是一款开源 AI 会议记事本核心功能是把转录里的每句话自动标上说话人适合所有需要快速弄清谁说了什么的会议使用者。 先看你处在哪种场景同样是说话人分离不同会议里的体验差别不小一对一通话Anarlog 同时采集你的麦克风和对方的系统音频两路音轨天然对应两个人基本不会混淆。纪要里不用手动切换说话人麦和对方默认就分开了。3-5 人小组会这是说话人分离的主场识别准确率可达 90% 以上。站会、评审会这类场景标注好的转录基本可以直接使用。大型研讨会靠多路音频和声学特征做识别整体可用但会下降。想精确的话会后还能在编辑器里逐句重新指认说话人。场景说话人分离效果一对一通话麦克风/系统音频两路自动分开几乎不混淆3-5 人小组会准确率 90% 以上体验最好大型研讨会多人识别仍可用需人工修正个别句 跟着一段录音走完全程挑一段会议录音它要经过五步才能变成带说话人标签的转录。采集同时捕获麦克风和系统音频一句不漏。为什么少不了在线会议里对方的声音来自系统音频只收麦克风的话对方整段缺席。语音活动检测先找出音频流里真正属于语音的片段把静音、键盘声、背景噪音滤掉。为什么少不了后面按语音片段做聚类混进非语音片段会把一个人拆成好几堆。特征提取给每个语音片段提取频谱、基频等声学特征相当于这个片段的声音指纹。说话人聚类把听起来像同一个人的片段自动归堆每堆对应一个说话人出现新说话人就自动加堆并分配唯一标识。模型实时更新会议进行过程中持续校正说话人模型长会到后半段识别也不会跑偏。这条链路里干重活的是两个组件Whisper 负责把语音转成文字Pyannote 负责说话人分离接口实现在 crates/api-pyannote/。 上手前先看这些边界三条边界直接决定它对你的场景好不好用场景能力 / 限制多人同时抢话实时识别准确率会下降容易张冠李戴本地转录模式暂不支持说话人分离需要使用云服务嘈杂环境识别效果高度依赖音频质量噪音大会明显变差团队正在把这套能力往本地搬也计划引入视频信息辅助识别隐私和准确率想两头都要。 常见疑问两个人声音像会不会混成一个人会。聚类按声学特征归堆声音太接近就会合并。补救办法是会后在转录里选中某句话重新指派说话人再用应用到全部把同一人一次改完具体操作见 docs/notes.mdx。本地模式和云模式差在哪云模式支持实时说话人分离本地模式优先保隐私音频不出设备但说话人标注要靠会后补——内置的 Parakeet Batch 模型可对 25 种欧洲语言做带说话人标签的转写。各模型对比见 docs/models-and-providers.mdx。一对一通话也走聚类吗基本不用。一对一按麦克风和系统音频两路音轨直接分人比声学聚类更稳。聚类主要服务于多人在同一个麦克风通道里的情况。超过 5 人会不会乱3-5 人是准确率 90% 以上的舒适区人数再多、抢话一多实时标注就容易混。大会议建议会中先保证录全会后在编辑器里逐段改说话人也能只修单句。收尾说话人分离解决的核心问题就一个把纪要从一锅粥拉回谁说了什么。想动手先装桌面版找一场两人通话体验自动说话人标注想深挖链路直接看 crates/api-pyannote/ 里的说话人分离接口。【免费下载链接】anarlogOpen source Granola AI Alternative项目地址: https://gitcode.com/GitHub_Trending/hy/anarlog创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考