说话人识别 API怎么开启？
在JSON请求体中设置diarize: true；上传文件时，把同一选项放进表单字段。可接受的来源组合见diarize选项说明。
访谈、圆桌讨论、主持人与嘉宾的对话，都适合加上说话人标签。只有自己讲话的语音备忘录，通常保留文字和时间戳就够了。
这些标签只区分录音里轮到谁讲话，不会识别真实姓名、平台账号，也不能用于声纹认证。
说话人分离必须在创建转录时开启，因为它会改变音频处理方式；之后选TXT还是SRT只是导出选择。source=auto开启说话人分离后会跳过字幕，上传文件则本来就使用AI转录。
curl -X POST "https://api.transcript1.com/v1/transcriptions?wait=60" \
-H "Authorization: Bearer $TRANSCRIPT1_API_KEY" \
-F [email protected] \
-F diarize=true把每段发言对应到说话人标签
transcript.speakers列出本次转录中的标签，每段通过speaker注明说话人。此时transcript_source为speech_to_text。字段结构见转录对象文档。
听过录音、确认声音后，再在自己的应用或导出文档里把Speaker 1、Speaker 2对应到参与者。标签只在当前转录内有效，另一段录音里的Speaker 1未必是同一个人。
按每段的speaker可展示对话，需要更细的时间信息时再读取include=words。格式化文字时保留原来的开始和结束秒数，方便校对时回听。
下面的JSON只展示字段和标签的用法，不是对某个实际上传讨论的记录。
{
"status": "completed",
"transcript_source": "speech_to_text",
"transcript": {
"speakers": ["Speaker 1", "Speaker 2"],
"segments": [
{ "start": 0, "end": 3.4, "speaker": "Speaker 1", "language": "en", "text": "Good morning." },
{ "start": 3.4, "end": 7.9, "speaker": "Speaker 2", "language": "en", "text": "Thanks for having me." }
]
}
}字幕里怎么显示说话人
format=srt在字幕文字前加Speaker 1:，format=vtt使用voice标签，format=text则每段一行并标注说话人。接入播放器前，可先比较字幕导出格式。
先用目标播放器或剪辑软件试开文件，看看voice标签和姓名前缀如何显示。对访谈记录有用的标签，放在每条字幕里未必适合阅读。需要调整时，在应用或字幕文件里修改显示方式，并保留核对过的标签对应关系。
多人同时说话、麦克风太远、背景音乐盖住对话，都可能影响文字和说话人划分。标签突然切换的地方尤其值得回听。
下次录音尽量分开收音、减少抢话。把原始录音录清楚，比事后修正转录更有帮助。
WEBVTT
00:00:00.000 --> 00:00:03.400
<v Speaker 1>Good morning.
00:00:03.400 --> 00:00:07.900
<v Speaker 2>Thanks for having me.引用之前，先核对这句话是谁说的
先听开头一段清楚的对话，记下标签与参与者的对应关系，再抽查后面的发言。如果录音本身无法判断是谁说的，就在整理稿中保留这份不确定，不要只凭上下文填上姓名。
做研究访谈时，各场访谈采用一致的校对规则，并把参与者编号和分析批注与原话分开。公开发布圆桌引言前，也要结合录音和已有信息确认姓名。
说话人分离不等于身份识别，不能用来验证来电者，或判断不同录音里是否是同一个人。同一个人换了麦克风，声音可能变化；多人同时讲话，也未必能整齐分成每段只含一个人的发言。
| 校对时发现的问题 | 建议处理方式 |
|---|---|
| 同一个人讲话时标签突然变了 | 连同切换前后一起回听，确认后修改整理稿。 |
| 两个人同时说话 | 同时核对文字和归属；听不清的地方保留不确定标记。 |
| 另一段录音出现相同标签 | 为那段录音重新建立参与者对应，不沿用上一段的身份。 |