说话人分离会为检测到的每位说话人生成独立音轨；说话人日志标注谁在什么时候说话；转写则把说话内容变成文字。 要分别编辑声音，选说话人分离；要阅读、检索、制作字幕或分析对话，选结合说话人日志的语音转文字。单独的说话人日志不会生成文字稿，也不会识别一个人的真实姓名。
说话人日志（Speaker diarization）也称“说话人分割聚类”或“说话者自动分段标记”。Google Cloud 的说话人日志文档介绍了如何为识别出的词语添加编号标签，可帮助理解日志与转写的配合方式。引用这份资料不代表 Seply 使用其中的服务商。
同一段对话，三种不同的输出
假设有一段六秒录音：说话人 1 在 00:00–00:02 问“我们什么时候开始？”，说话人 2 在 00:03–00:05 回答“十点开始。”
以下仅为概念示例： 对话、时间和文件名都是为解释区别而编写的，并非 Seply 的实际处理结果，也不是可下载文件。
查看原图 ↗AI 生成的英文概念示意图。波形和时间条仅用于说明，不是实测结果。点击可查看大图；下表用中文解释同一示例。
| 方法 | 输出示例 | 可以用来做什么 |
|---|---|---|
| 说话人分离 | speaker-1.wav：00:00–00:02 的提问。speaker-2.wav：00:03–00:05 的回答。两个文件均保留完整的六秒时间轴及停顿。 | 在音频编辑器中单独调整或静音某个人的声音。Seply 输出 WAV 音轨，但仍可能残留串音。 |
| 仅生成说话人日志 | 00:00–00:02 · 说话人 1 00:03–00:05 · 说话人 2 没有文字，也没有独立音轨。 | 定位发言轮次、统计发言时长。标签区分声音，不验证真实姓名。 |
| 转写结合说话人日志 | 00:00–00:02 · 说话人 1：“我们什么时候开始？” 00:03–00:05 · 说话人 2：“十点开始。” | 按说话人阅读、寻找引用或制作字幕。文字来自转写，音频仍是混合录音。 |
上表只解释概念，不表示每种导出格式都会包含姓名和时间戳。在 Seply 中，TXT 包含文本；SRT 包含时间戳和说话人名称；VTT 使用说话人标签。具体校对和导出步骤见访谈转写流程。
用 30 秒判断自己需要什么
先想想接下来使用这些材料的人需要什么：
- 剪辑师需要分别控制音量或效果，选说话人分离。正式使用前，检查各音轨之间是否仍有串音。
- 制作人、研究者或撰稿人需要知道每句话是谁说的，选带说话人日志的语音转文字。
- 独立音轨和可检索文字都需要，就用同一份已获授权的原始录音分别运行两个流程。
例如，播客剪辑师可以先分离主持人和嘉宾的声音再混音；节目简介的撰稿人则通过带说话人标签的文字稿寻找引用。这两种输出各有用途。
两种方法如何处理多人同时说话
在多人同时开口时，两种方法的区别尤其明显：同一段录音中，同一时刻可能存在两个人的声音。
说话人分离尝试将这些声音重建为各自独立、时间同步的音轨。结果可用时，剪辑师可以降低某次插话的音量，或调高声音较轻的嘉宾，而不改变时间位置。下面是 Seply 的公开示例，可以对比混合原音和两条分离音轨。
Seply 公开示例
对比原始混音与各说话人音轨
19 秒 · 两位说话人
这是 Seply 首页使用的同一组公开示例，只展示一段录音的结果，不代表通用准确率。
说话人日志为时间段添加说话人标签，不会拆分音频。有些系统能标注同时说话，但处理能力因系统而异；结合转写可以得到这些时间段的文字，却不能保证完整识别双方的每一个词。模式选择和试听方法见多人同时说话的处理指南。
什么时候需要两种工具一起用
如果交付物既有剪辑后的媒体，又有文字，可以组合使用：
| 工作环节 | 建议工具 | 交付内容 |
|---|---|---|
| 整理对话音频 | 说话人分离 | 各说话人的 WAV 音轨 |
| 寻找引用 | 带说话人日志的语音转文字 | 可检索、带标签的文字稿 |
| 制作字幕 | 语音转文字 | SRT 或 VTT |
| 最终混音 | 音频或视频编辑器 | 可发布的节目或访谈 |
请保留原始录音作参照。分离音轨和转写文本都是由原始素材生成的工作文件，都可能出错，对照原音更容易发现问题。
普通的带说话人标签转写不需要先分离音频。如果已剪切或移动音频片段，需要与新时间轴匹配的字幕时，应转写最终剪辑版本。
Seply 的费用与文件规则
处理前，Seply 会显示模式、文件限制和积分预估。分离与转写共用积分余额，但费率不同；同时使用两种功能，会分别扣除各任务的积分。高级模式需要先完成一次购买。购买选项见套餐与积分。
输入格式、输出文件和计费细节，请查看说话人分离操作指南或访谈转写流程。
根据交付内容选择工具
需要独立音轨，选说话人分离；只需要说话人的发言时间段，选说话人日志；需要带说话人标签的文字，选结合日志的转写。 先明确下一步是编辑声音、定位发言，还是处理文字，再选择对应输出。