开会录音转成文字，最尴尬的一件事往往是：文字出来了，但全挤成一坨，看不出哪句是老板说的，哪句是客户说的。负责判断「谁在什么时候说话」的这项技术，叫说话人分离（Speaker Diarization，也叫说话人日志）。一句话定义：它不关心说了什么，只负责把一段音频按人的身份切成段，回答「谁、从第几秒到第几秒、在说话」。
它到底在算什么
先纠正一个常见误解：这不是语音识别（ASR，Automatic Speech Recognition）干的活。语音识别解决「说了什么字」，说话人分离解决「是谁说的」。两者是独立的模块，通常串起来用：音频先过分离，切成一段段标注了说话人的片段，再分别送进语音识别，最后拼接成「张三：这个方案下周上线」这种带署名的会议纪要。
那它是怎么判断的？核心思路是「先找声纹，再聚类」。
打个比方：你在一个嘈杂的饭局上闭着眼听，虽然看不见人，但你能感觉到「这个声音低沉、语速慢」「那个声音尖、爱笑」——这是音色特征。系统做的事情类似：它把音频切成很短的帧（几十毫秒级别），对每一帧提取一组声学特征，也就是常说的声纹（Voiceprint / Speaker AI 词典：Embedding">Embedding），本质是一个能把「音色」编码成向量的数字指纹。
接着是聚类（Clustering）：同一把嗓子说出的话，向量在空间里会挨得很近；不同人的会分成不同的团。系统不需要提前知道有几个人——它通过看向量能自然聚成几堆来判断（这叫无监督聚类），堆的数量就是说话人数量，每堆对应一个代号「说话人 1、说话人 2」。至于谁是张三，那是另一件事，通常靠人工标注或跟已注册声纹做比对。
难点在切换点检测：人说「嗯，对」的时候可能只有 0.3 秒，两个人抢话时声音还会重叠。系统要能定位这些边界，否则整段就会被切错人。此外，麦克风远近、房间混响、咳嗽和笑声，都会干扰判断。
和相邻概念的区别
| 概念 | 回答的问题 | 输出 |
|---|---|---|
| 语音识别 ASR | 说了什么字 | 文字稿 |
| 说话人分离 Diarization | 谁在什么时候说 | 时间段 + 说话人编号 |
| 说话人识别 / 声纹验证 | 这段声音是不是张三 | 身份判定或相似度 |
| 语音增强、降噪 | 怎么让声音更干净 | 处理后的音频 |
说话人识别（Speaker Recognition）常常和分离配合：分离先告诉你「这里有两拨人」，识别再告诉你「其中一拨是张三」。
对从业者和普通职场人的意义
对普通人的直接价值：会议记录不再是「一锅粥」，而是能按人检索的对话，复盘时可以直接搜「客户提到的顾虑」，也能看清谁在主导、谁在沉默。做访谈、做客服质检、做播客字幕，都是同一套需求。
对从业者，几个现实提醒：一是别把它当成语音识别的一个参数，它是独立模块，可以单独替换和调优；二是标注成本高——要训练或评估，得有人工标出「谁在第几秒说话」，这在真实会议里很费时间；三是准确率高度依赖音频质量，多人共用一支远场麦克风、开免提、房间空旷，效果会明显下降。很多产品会配合「每人一支麦」或耳麦来绕过这个难题。
最后一句实用建议：评估这类功能时，别只看文字转得准不准，一定要自己拿一段真实的多人会议录音试，重点看两点——说话人数量猜得对不对，以及抢话、短插话的地方有没有切错。具体能力边界以各家官方页面和你的实测为准。