要分离同时说话的两个人声，可以把录音上传到 Seply，选择高级模式，再试听每位说话人的音轨。下载需要的 WAV 文件后，放进编辑器分别调整。
你刚开始追问，嘉宾也开始回答，两个人的声音混在同一份录音中；降低插话音量，回答也跟着变轻。说话人分离能增加调整空间，但即使使用高级模式，也可能残留另一人的声音。
先打开说话人分离工具，再按下面的步骤操作。
本页导航：操作步骤 · 试听结果 · 模式选择 · 进一步对比。
分离同时说话的五个步骤
1. 确认手中有哪些录音
如果每个人本来就有独立麦克风轨道，先听原始分轨，可能只需要在编辑器里调整音量。如果两人的声音混在一个文件中，又存在同时说话的情况，再考虑分离。
重点处理真正影响内容的位置。轻声笑一下或简短附和可能很自然；盖住关键回答的插话，更值得优先处理。
2. 准备并上传录音
尽量使用最清楚的原始文件，最好是尚未经过强降噪或其他清理的版本。打开 Seply，登录后选择音频或支持的视频文件，并确认文件名无误。
想先做短片段试验，可以在外部编辑器中裁出一段。保留同时说话前后的单人语音，便于辨认人物和对比音色，并记下片段在原录音中的起点。Seply 不负责这一步裁剪。
3. 选择高级模式并核对预估
多人同时说话时，选择高级模式；英文截图中对应 Advanced for Overlap。系统会自动检测说话人，不需要输入姓名或上传声音样本。
开始前核对显示时长和预计积分。高级模式需要先完成一次购买，并有足够余额支付本任务。下方模式与费用对比介绍费率及标准模式试用，价格页面列出购买选项。确认录音与模式正确后，再启动处理。
查看原图 ↗英文界面中的 Advanced for Overlap 为高级模式，Credits to use 为预计积分，Run Advanced 为开始高级模式处理。此短录音按最低 60 积分预估，点击图片可查看大图。
4. 分别试听并下载音轨
先听双方同时说话处的原音，再在同一时刻切换各条输出。确认每条音轨属于谁、需要的文字是否完整，也听听附近的单人片段作音色对比。
下载需要的 WAV。如果某个词似乎消失了，先检查其他输出，不要急着丢弃。音轨保留录音时间位置，因此一个人不说话时出现静音空隙是正常的。
查看原图 ↗处理完成后，依次试听 Original（原音）、Speaker 1 和 Speaker 2（说话人 1 和 2）。点击对应音轨旁的下载图标保存 WAV。图为英文界面，点击可查看大图。
5. 将音轨放入编辑器
将 WAV 导入音频或视频编辑器。处理整段录音时，与原文件放在同一起点；如果处理的是裁剪片段，将所有输出放回第二步记下的原始位置。
播放分离音轨时，先把原始混音静音，避免两份声音叠加。单独调节某人的音量或修改一次插话，再放回整段对话中听。这些编辑在外部编辑器完成，Seply 提供的是分离音频。
试听同时说话时的区别
第一组示例是一段 19.20 秒的 TTS 合成对话，分别用两种模式处理。先听原音，再在同一位置切换四条输出。
试听两种模式如何处理同时说话。
19.20 秒 TTS 合成对话 · 两位说话人 · Seply 原始输出
从第 8 秒听到第 11 秒，这时两人同时说话。在本示例中，标准模式输出带有嘶声感，音色也有明显变化；高级模式输出较干净，与附近单人语音相比没有明显音色变化。如果主要难点是多人同时讲话，我们建议优先考虑高级模式。
这些是 Seply 对这段素材的试听观察。下方第二组示例使用另一段对话，展示仍需要检查的问题。
结果还不理想时，接下来怎么做
| 听到的问题 | 可以尝试的处理 |
|---|---|
| 仍能听见另一人 | 分别听单轨与最终混音，判断残留是否影响使用。局部调音量可能有帮助，但把某段静音，也会移除该轨道此时需要保留的语音。 |
| 某个词丢失或出现在错误音轨 | 对照该时刻的原音和所有输出。仍听不清时，优先寻找其他麦克风录音或备用素材。 |
| 同时说话时音色变薄、带嘶声或发生变化 | 有更清楚、处理较少的源文件时，尝试换源。反复强力清理可能进一步改变目标人声。 |
| 声音重叠播放或不同步 | 将原始混音静音，核对各 WAV 的起点。裁剪片段应放回原时间位置，不是整段录音开头。 |
标准模式和高级模式，该选哪一个？
根据需要编辑的对话选择：主要轮流发言时，可以先用标准模式；主要问题是同时说话时，我们建议高级模式。 这里对比的是 Seply 的两种模式，不是不同服务商。
| 对比项目 | 标准模式 | 高级模式 |
|---|---|---|
| 适合的情况 | 以轮流发言为主 | 主要难点是多人同时说话 |
| 处理费用 | 每开始 1 分钟使用 10 积分；最低 10 积分 | 每开始 1 分钟使用 60 积分；最低 60 积分 |
| 试用与使用条件 | 20 积分最多处理约 2 分钟 | 需要先完成一次购买，并至少有 60 可用积分；只有 20 积分试用额度无法运行 |
| 说话人数 | 自动检测，或指定 2–10 位说话人 | 自动检测 |
计费依据服务端测得的时长，先四舍五入到整秒，再按分钟步长计算。开始前应核对预估。两种模式都提供时间对齐的 WAV，但不会替你完成音视频剪辑。
长录音可以先在外部编辑器里选取有代表性的片段，包含难处理的同时说话和附近单人语音。确认效果符合需求，再处理整份文件。
进一步对比：哪些差异仍然存在
第二组使用另一段 21.76 秒的 TTS 对话，下方附有参考原文。它说明了为什么即使选用高级模式，也值得逐词检查。
高级模式在某些情况下仍会留下另一人的微弱声音。本例中，它在同时说话处听起来更干净，但并非完美分离。
同一段录音，两种模式：对比同时说话部分。
21.76 秒 TTS 合成对话 · 两位男性说话人 · Seply 原始输出
在同一时刻切换音轨。整体而言，高级模式在本示例的同时说话处更干净，音色也更稳定。两种模式都不是完美的，高级模式仍有微弱串音。文件按原有音量播放，未额外清理。
对照参考原文试听
下方八句只对应第二组示例。说话人 1 和 2 与音频标签一致；同时说话标记表示哪两句存在交叠，不代表整句的完整时间范围。英文为生成示例的原文，中文仅供理解，不是自动识别结果。
| 说话人 | 英文原文与中文释义 | 片段 |
|---|---|---|
| 说话人 1 | The best part of that trip was the little cabin. 中文释义：那次旅行最棒的，就是住进那间小木屋。 | 同时说话 1 |
| 说话人 2 | Wait, you're forgetting the hike up to the lake! 中文释义：等等，你怎么把徒步去湖边的那段忘了！ | 同时说话 1 |
| 说话人 1 | That's true. We got lost twice before we found it. 中文释义：说得也是。找到湖之前，我们迷了两次路。 | 单独发言 |
| 说话人 2 | And you kept saying you knew a shortcut. 中文释义：而且你一路都在说，你知道一条近路。 | 单独发言 |
| 说话人 1 | I still think my route had the better view. 中文释义：我还是觉得，我选的那条路风景更好。 | 同时说话 2 |
| 说话人 2 | Your shortcut added three extra miles to the walk! 中文释义：走你那条近路，我们多走了整整三英里！ | 同时说话 2 |
| 说话人 1 | Okay, next time you can navigate. 中文释义：好吧，下次你来带路。 | 单独发言 |
| 说话人 2 | Deal. And you're carrying the snacks. 中文释义：成交。零食也归你背。 | 单独发言 |
重点听哪些地方
| 第二组示例的位置 | Seply 的试听观察 | 核对方法 |
|---|---|---|
| 0.65–2.70 秒 | 标准模式将说话人 2 的“Wait”分到了说话人 1 的音轨。 | 先听原音，再点击“试听标准模式说话人 1 中的 Wait”。 |
| 11.38–14.05 秒 | 标准模式在同时说话处带有嘶声感和音色变化；高级模式更干净，更接近附近的单人语音。 | 从“同时说话 2”开始，在四条输出间切换，并与单人片段比较。 |
| 11.38–11.96 秒 | 高级模式说话人 2 的音轨中，仍隐约可闻说话人 1。 | 点击“试听高级模式说话人 2 中的残留人声”，留意较轻的声音。 |
一个词出现在错误音轨上，是说话人归属错误；微弱的第二个人声是残留串音，也称声音泄漏；嘶声感和音色改变则是分离伪影的例子。实际要判断的是：你需要的文字和声音是否适合本次剪辑。
单独使用某人的声音时，既要戴耳机听单轨，也要检查最终混音。在完整对话里不突出的残留，单人片段中可能很明显。请保留原音，剪辑或引用前核对不确定的词。
关于这些示例
- 来源与方法： 两组都是提供的 TTS 合成对话，分别用 Seply 标准模式和高级模式处理。它们不是客户访谈。第二组附有生成时使用的参考原文，不是自动转写结果。
- 文件检查： 第一组有五个 19.20 秒文件；第二组有五个 21.76 秒文件。均为 44.1 kHz。两组中的 MP3 混音和高级模式 WAV 均为立体声，标准模式 WAV 为单声道。
- 播放文件： 本页没有再做清理、响度归一化或转码。音量或声道数不同，本身不能证明分离更好。波形经过缩放便于定位，不用于衡量质量。
- 试听观察： 说明来自 Seply 自己提供的观察，不是独立基准测试或客观准确率评分。页面更新日期是编辑日期，不代表音频处理日期。
- 适用边界： 两个短合成示例不能代表所有真实录音。相似声音、长时间同时讲话、回声、削波或音乐都可能改变结果；两组示例均不构成完美分离保证。
常见问题
可以免费分离同时说话的人声吗？
本页两组示例可以免费试听。20 积分最多用于约 2 分钟的标准模式处理。用高级模式处理自己的录音，需要先完成一次购买，并至少有 60 可用积分；只有 20 积分试用额度不能运行高级模式。当前费率见上方模式表。
降噪能去掉另一个人的声音吗？
降噪主要用于减少背景噪声。另一个人同时说的话也是语音，普通降噪不一定能分开两个人声。可以先通过说话人分离获得独立音轨，再判断是否需要进一步清理。
如果只想保留一个人的声音呢？
先分离对话，再试听找到目标人物，下载对应音轨。单人声音提取指南说明了如何确认人物和处理静音空隙。
会同时得到文字稿或剪辑好的视频吗？
这个流程输出的是音轨，不会完成视频剪辑，也不会自动生成文字稿。需要带说话人标签的文字时，请使用独立的语音转文字工具，并仔细核对同时说话部分的文字。
格式与限制
- 支持的输入格式
- 标准模式：WAV, MP3, M4A, AAC, FLAC, MP4, MOV.
高级模式： WAV, MP3, M4A, AAC, FLAC, MP4, MOV。MP4 和 MOV 内必须是 AAC 或 PCM 音频。 - 输出
- 每位检测到的说话人各一条时间对齐的 WAV 音轨
- 上传限制
- 文件不超过 1 GB；高级模式时长不超过 90 分钟
主要轮流发言时，请参考两人录音分离指南；采访者和嘉宾的编辑方法见访谈流程。
用自己的录音试试这些步骤：上传原文件、选择模式，核对积分预估后再开始。