你的技术前沿之旅,从这里开始
语音分离不等于身份识别:两类任务边界
区分声音片段,不代表知道发言人的真实姓名。

一、两种任务的边界
说话人分离回答谁在什么时间说话,通常得到的是说话人甲、乙等标签。身份识别则需要额外依据把声音对应到具体人物。会议系统不能因为把音轨分成两组,就自动给每一组填上姓名。声音相似、距离变化和麦克风切换都可能影响分组。
二、验证分组质量
用包含换人、打断和同时发言的片段检查输出,记录混淆与漏分。给每段保留开始结束时间,方便人工回听。如果转写与分组由不同步骤生成,还要检查时间对齐是否一致,不能直接按文本段落顺序套标签。
三、让身份映射可确认
实际产品可以让参与者人工确认标签,保存确认依据与时间。缺乏依据时沿用匿名编号,不作推断。会议纪要中的任务归属尤其需要复核,错把承诺归给别人比漏掉一条闲谈更严重。测试也应包括远程扬声器回声和同一人换设备的情况,不只验证安静环境。
延伸阅读
Whisper 弱监督语音识别原论文(语音识别基础,非身份识别结论):https://arxiv.org/abs/2212.04356 。资料供核对相关基础概念;本文流程建议需结合具体任务验证。