访谈说话人分离：让采访者与嘉宾的声音分别可编辑

你想降低采访者的声音，又不影响嘉宾音量；或剪掉一个问题，却不截断回答。但手里只有一份混合录音。

访谈说话人分离可以为每位说话人生成独立、时间对齐的 WAV 文件。 先试听采访者和嘉宾的声音，下载后再在编辑器中分别调整。下面的实际示例可以帮助你判断分离前后有什么变化。

同一条件下对比标准模式与高级模式

2026 年 9 月 6 日，Seply 编辑团队使用两种模式处理了同一份已获授权、长 42.031 秒的访谈混音。素材为原创英文对话，使用有授权的 TTS 配音，再在 Audacity 中混音；共有两位说话人，没有音乐，也没有额外加入环境噪声。

Seply 实际测试 · 2026 年 9 月 6 日

同一份录音，两种分离模式

切换音轨时保持播放位置，对比同一次插话在原音、标准模式和高级模式中的表现。

42.031 秒

两位合成英文说话人

已获授权的素材: 原创双人 TTS 对话，在 Audacity 中混音，无音乐，也未添加环境噪声。
原始混音: 立体声 MP3 · 44.1 kHz · 192 kbps
标准模式: 指定 2 人 · 两条 16 位、44.1 kHz 单声道 WAV
高级模式: 自动检测 · 两条 16 位、44.1 kHz 立体声 WAV

同位置对比

下载的 WAV 为未经额外修改的 Seply 输出。

0:00 / 0:00已选择：原始混音

正在读取真实波形
正在读取真实波形
正在读取真实波形
正在读取真实波形
正在读取真实波形

Audacity 英文界面：原始访谈混音、两条标准模式音轨及两条高级模式音轨均从零点对齐 — **完整的 42 秒时间轴。** 五条音轨均从 00:00 开始。仅为方便截图对比，将原音和高级模式文件混为单声道副本；可下载文件保持原样。

Audacity 英文界面局部截图：同时说话 01（00:22.30–00:22.72）处的五条音轨对比 — **同时说话01 · 00:22.30–00:22.72 · 0.42 秒.** 标准模式：另一位说话人的残留形成轻微、散开的嘶声感。我们将其视为同时说话造成的分离伪影，而非原始录音中的背景噪声。高级模式：本次试听未听到明显噪声或串音。

Audacity 英文界面局部截图：同时说话 02（00:32.30–00:32.95）处的五条音轨对比 — **同时说话02 · 00:32.30–00:32.95 · 0.65 秒.** 标准模式：分离结果仍有可闻串音。高级模式：说话人归属更清楚，试听时没有明显噪声或串音。

这些观察只描述一次 42 秒受控测试，不代表通用准确率。人物和文字已在多处与原始混音核对。

实测响度差异

原始混音中，采访者在 28.61–31.00 秒的发言约为 -17.5 LUFS，随后 Maya 在 32.95–41.46 秒的回答约为 -20.8 LUFS，轻了约 3.3 LU。上述综合响度通过 EBU R128 分析原始混音得到，只描述本段素材。

EBU R 128提供了此处引用的响度测量和归一化框架。LUFS 表示响度，不表示分离准确率；两段发言的响度差既不能衡量声音泄漏，也不能证明某种模式在所有录音上都更好。

第一处同时说话位于 22.30–22.72 秒，持续 0.42 秒。我们的试听中，标准模式音轨里另一位说话人的残留形成了轻微、散开的嘶声感。我们将其视为同时说话导致的分离伪影，而非原始素材中的背景噪声。同一次试听中，高级模式没有明显可闻的噪声或串音。第二处同时说话位于 32.30–32.95 秒，持续 0.65 秒：标准模式存在可闻串音；高级模式的说话人归属更清楚，在所检查的片段中没有明显噪声或串音。

三步分别编辑采访者和嘉宾

选好源文件。 已有干净的独立麦克风轨道时，优先使用原始分轨；否则上传混合访谈或支持的视频文件。只处理拥有使用权限的素材。
分离并试听。 普通轮流发言可以先用标准模式；插话或同时说话可以考虑高级模式。高级模式自动检测人数，需要先完成一次购买。选择多个已知回答，对照原音确认哪条音轨属于嘉宾。
在编辑器中分别调整。 下载 WAV，将它们放在时间轴同一起点。播放分离音轨时，将原始混音静音，再调高较轻的人声、局部降低插话或移除不需要的问题。原始录音仍应保留，供随时对照。

可以只保留嘉宾的声音吗？

可以下载嘉宾的独立 WAV，或在编辑器中将采访者轨道静音。单人声音提取指南介绍了如何找到正确音轨、下载，以及检查停顿和残留串音。将采访者静音，并不能保证嘉宾音轨中也完全没有采访者的声音。

不同类型访谈的编辑重点

新闻采访： 保留原意和上下文。处理后的某个词听不确定时，引用前应核对原音，或向受访者确认。
纪录片： 可借助分离改善混音，同时保留有助于还原场景的环境声和自然反应。
用户研究： 分离便于降低主持人的提示音量；用于分析时，带说话人日志的转写通常更方便。
口述历史： 将未经修改的原始录音作为档案，分离音轨作为便于使用的副本。
YouTube 访谈： 将 WAV 与原视频对齐，完成对话剪辑后再做最终响度处理。

需要提前考虑的失败情况

如果主要问题是插话，请参考多人同时说话指南中的定位与对比方法。完整设置和检查步骤见如何分离同一录音中的不同说话人。

如果最终需要的是文字

音轨适合剪辑；研究者和撰稿人可能更需要可检索文字、说话人标签、时间戳和字幕。这种情况下，可以使用访谈转写流程，也可以用同一份获授权录音分别运行两种工具。

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
计费步长: 标准模式：每开始 1 分钟使用 10 积分，最低 10 积分。高级模式：每开始 1 分钟使用 60 积分，最低 60 积分。

计费前，服务端会将计算出的时长四舍五入到整秒。处理前请核对积分预估。高级模式需要先完成一次购买；试用积分可用于标准模式。

私密处理

上传文件和结果仅对登录账户开放。

结果可访问 30 天

已完成任务的原始媒体和结果私密保存 30 天，提前删除则结束访问。

安全交付结果

完成后的文件会通过你的登录账户私密提供，供你试听和下载。

只上传你拥有或已获得处理授权的录音。