# 用说话人分离转录访谈，分清谁说了什么

> 用说话人分离转录文件或视频链接，设置diarize=true即可为每段文字标注Speaker 1、Speaker 2。JSON、纯文本、SRT和VTT都保留标签，不额外收费。

Canonical: https://transcript1.com/zh/features/shuohuaren-fenli-zhuanlu
Language: zh-Hans
Last updated: 2026-10-19

用说话人分离转录访谈或会议录音，每段文字都会标注Speaker 1、Speaker 2，方便核对谁说了什么。创建转录时加入diarize: true即可。

- 每段标注Speaker 1、Speaker 2等标签
- JSON、纯文本、SRT和VTT均保留标签
- 支持视频链接和上传文件

## 先区分声音，再整理对话

### 创建时加一个选项

diarize默认是false。在POST /v1/transcriptions中设为true，或给MCP的transcribe工具传入这个参数。

### 需要重新识别音频

说话人分离依赖AI语音转文字。source=auto搭配diarize: true时，会跳过平台字幕，直接转录音频。

### 下载后也能看出谁在说话

JSON包含transcript.speakers和每段的speaker字段；纯文本和SRT使用Speaker 1:前缀，VTT使用voice标签。

### 逐词数据也能关联说话人

读取JSON时加include=words，即可获取逐词时间戳及对应的说话人，便于处理更细的播放和标注。

### 不支持的组合直接报错

source: captions与diarize: true不能同时使用，会返回422 invalid_request，不会忽略已经传入的选项。

## 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](https://transcript1.com/zh/docs/sources-and-options#diarize)。

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。

### 上传文件并开启说话人分离

```
curl -X POST "https://api.transcript1.com/v1/transcriptions?wait=60" \
  -H "Authorization: Bearer $TRANSCRIPT1_API_KEY" \
  -F file=@panel.m4a \
  -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](https://transcript1.com/zh/docs/api-reference#the-transcription-object)。

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。

### 包含说话人标签的JSON节选

```
{
  "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](https://transcript1.com/zh/features/shengcheng-srt-zimu-wenjian)。

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。

### format=vtt

```
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](https://transcript1.com/zh/use-cases/fangtan-luyin-zhuan-wenzi)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。 |

## 常见问题

### 标签会直接写出真实姓名吗？

不会，只会标为Speaker 1、Speaker 2等。确认录音中的声音后，可以在自己的代码或文档里把标签对应到姓名。

### YouTube字幕能直接带上说话人吗？

不能。字幕不提供这项说话人信息。source=auto开启diarize: true后会改用AI转录；source: captions与diarize: true一起传入会被拒绝。

### 区分说话人要多收费吗？

不用。不论是否开启diarize，都是每分钟1积分，按音视频时长向上取整。

## 相关内容

- [研究访谈](https://transcript1.com/zh/use-cases/fangtan-luyin-zhuan-wenzi)
- [时间戳与字幕文件](https://transcript1.com/zh/features/shengcheng-srt-zimu-wenjian)
- [来源与转录设置 （文档）](https://transcript1.com/zh/docs/sources-and-options)