会议录音转文字 - 自动分清谁在说话
会议录音转文字：自动区分最多 32 位说话人，每句标注发言人与起止时间，上传录音直接得到可读的对话纪要，支持 90+ 语言。
最近更新: 2026-08-26
会议纪要的活，九成花在"这句是谁说的"
把一小时录音打成文字，不难。难的是打完之后那一堆没有主语的句子——你得回听，才能把话安到人头上。
说话人区分(diarization)解决的就是这一步：转写时就把每个词标注是谁说的，输出直接是对话形态，不是一整块文字墙。
真实输出
一段中文双人对话，上传后未做任何编辑，原始返回如下:
再来一段更像真实站会的录音：两个人交替发言、互相接话、最后分工。下面的文稿就是转写要还原的内容。
识别语言: zho (置信度 99.4%)
检测到说话人: 2
speaker_0 @0.40s 你到底把芯片藏在哪儿了？
speaker_1 @4.18s 我可以解释，但不是现在。
speaker_0 @7.48s 现在就说。
三个轮次，归属全对，每次发言带起止时间。这是系统自动分的——上传时没有告诉它有几个人，也没有做任何标注。
注意第三行：speaker_0 第二次开口时，系统认出这是同一个人，而不是新增一位。这正是"说话人区分"和"简单分段"的区别。
匿名标识，不做声纹身份识别
系统给的是 speaker_0 / speaker_1,不是姓名。它只保证同一个标识对应同一个人，不去比对这个人是谁。
这是有意为之。自动比对声纹属于生物识别范畴，不该由一个转写工具默认打开。姓名由你在结果里替换一次，整篇统一生效——多花十秒，换掉一个不该默认存在的能力。
适合什么会议
| 场景 | 说话人区分的价值 | 注意 |
|---|---|---|
| 客户访谈 / 用户调研 | 直接得到问答对照稿，引述时不会张冠李戴 | 受访者较多时建议指定人数 |
| 双人播客 | 出稿即对话体，可直接做 show notes | 效果最好的一类 |
| 项目例会 | 谁承诺了什么，有时间戳可回溯 | 抢话片段需回听确认 |
| 庭审 / 问诊等正式记录 | 轮流发言，分离准确度高 | 敏感内容请先确认合规 |
最后一行要认真对待：音频会经由语音识别服务处理。高度敏感的会议，先确认这符合你们的合规要求再上传。
边界在哪
重叠说话是公认最难的部分。 轮流发言的会议准确度很高；两个人同时说话超过一两秒，归属可能出错。
实务上两个办法：录音时尽量让每人用独立麦克风；或者在纪要里对争议片段回听一次——有时间戳，回听只需要点一下，不用拖进度条找。
我们把这条写在页面上，而不是等你上传完才发现。
怎么用
- 打开语音工作台 → 转录
- 上传录音（音频或视频均可，单次总计 ≤200MB）
- 等待——一小时录音通常一两分钟
- 在结果里把 speaker_0 替换成真实姓名，导出
说话人区分默认开启，不需要配置。语言自动识别，90+ 语言。
常见问题
能分几个人？要提前说吗？ 最多 32 位，默认自动判断。确知人数时可以指定，能提高分离准确度。
能认出谁是谁吗？ 不能，也不该。输出匿名标识，不做声纹身份识别，姓名由你替换一次。
抢话能处理吗？ 能分离，但重叠超过一两秒可能出错。建议独立麦克风，或回听确认。
涉密会议安全吗？ 结果存在你的账号下可随时删除，但音频会经识别服务处理——敏感内容请先确认合规。
开始
费用： 每个文件 20 积分（单次 ≤200MB），失败自动退回。¥29.9 的体验包有 150 积分，够转 7 个文件，积分不过期。