核心要点
转录文本可能把每一个字都听对了，却还是安到了错的人头上——因为“识别说的是什么”和“判断是谁在说”本来就是两件不同的事。说话人标注靠的是声音特征来区分，所以最擅长应对的是：几个声音明显不同的人，用同一个麦克风、以差不多的音量录下来。它最怕的是大家抢着说话、有人说话声音小或者中途才加入，而且它永远不会自己给你真实姓名——那一步得你自己来补上。
如果你打开一份多人对话的转录文本，发现里面一半内容都安到了错的人身上，那大概不是文字本身出了问题。问题出在流程中更靠前的一环——判断“谁在说话”，而不是“说了什么”。这一环用的是完全不同的信息，出错的方式也不一样，而且决定它能不能做好的因素，几乎都在录音那一刻就定下来了，软件还没碰到这份文件之前就已经决定了。
如果你正准备录一段采访、一场座谈，或者一次家庭聚会的对话，而且你真正在意的是谁说了什么、而不只是说了什么内容，这部分内容就值得好好了解一下。这里面一部分是关于麦克风该放在哪儿，另一部分则是要接受——不管你用什么工具处理，有些场景就是没法标得干净。
两个不同的活儿，却挤进同一份文本
识别文字和判断是谁说的，其实是两项不同的工作，只是最后都落在同一份文档里。第一项工作听的是声音，判断的是语言内容——它基本不在乎这个声音是谁的。第二项工作听的是同一段声音，问的却是另一个问题：这个声音跟两句话之前的是同一个人吗，还是换了个新的说话人？这个问题的答案来自声音本身的特征——音高、音色、说话的节奏，也就是一个人说话时独有的“声纹”——而不是靠说的内容来判断。
这就是为什么一份转录文本可能逐字逐句都对，却还是把台词安错了人。识别文字这一步成功了，区分说话人这一步没成功。这两件事可以各自独立地出错，所以有人跟你说转录“错了”的时候，值得先弄清楚到底是哪一步出了问题，因为解决办法完全不一样。
什么情况下说话人区分做得好
说话人区分表现最好的情况是：说话人数量不多，声音彼此听起来差异明显，而且都是同一个麦克风位置录下来的，音量也差不多。理想情况就是这样——两三个人，声音各有特点，一台录音设备放在能均匀听到全场的地方。
偏离这个理想状态，每一步都要付出代价。人数越多，两个声音听起来相似、混在一起的可能性就越大。声音相近的人——比如年龄相仿、口音相似的两个人——比一个低音一个高音的组合更难分开。而如果某个人被录得比别人明显大声，系统就会把音量的差异当成说话人的差异来处理，可实际上这两者根本不是一回事。
这些都不是什么高深的东西。换成一个人闭上眼睛去听，大概也会注意到同样的情况。软件的优势在于能在一小时的音频里保持耐心和一致性，而不是拥有什么听众没有的“超能力”。
最容易崩的地方：大家抢着说话
有一种情况几乎百分百会打乱说话人标注，而且再怎么把录音条件做好都救不回来：真正意义上的“抢话”，也就是两个人同时在说话。重叠的那一刻，没有哪一段声音是干干净净属于某一个人的——音频本身就是两个人声音的混合体，根本没法干净地分给谁。通常的结果是，一个人说的话会被并进另一个人的发言里，转录文本上看起来像是一个人连续说了一整段，其实那段时间是两个人同时在说话。
这不是以后可以打补丁修好的漏洞，而是这类问题本身自带的极限——事后想把两个混在一起的声音干干净净地拆成两条独立的音轨，做不到，至少不可靠。比较现实的期待是：录音里真正重叠的那些片段，需要人工再过一遍才能理清谁说了什么，不然就只能保留系统猜测的结果。如果你的对话里经常有人抢话——比如一场火药味很浓的座谈，或者一场吵得热闹的家庭聚餐——就要提前料到那一部分转录文本会需要手动修正，别因为那一段就否定整个工具。
麦克风放在哪儿，比麦克风本身是什么更重要
麦克风离说话人的距离，对说话人标注的影响比麦克风本身的好坏更大。一台手机放在桌子中间，通常比一支质量更好但恰好放在某一个人旁边的麦克风，能给出更好的说话人区分效果，因为声音小、离得远的参与者恰恰是系统最先“听丢”的对象。如果有个人因为离麦克风最远，说话声音一直明显比别人小，这种音量差距对说话人标注的影响，可能比任何设备上的差异都更大。
对于多人对话来说，这就指向一个简单的原则：把录音设备放在中心位置，而不是放在方便的地方。放桌子中间，而不是放在离主持人最近的那一端。如果大家坐得比较分散，而不是紧挨着围坐在一起，那不管用什么设备都会更难处理，提前知道这一点，总比事后才发现要好。
让转录文本显示真实姓名，而不是“说话人1”“说话人2”
音频本身没法告诉转录系统任何人的名字——它能分辨出这是两个不同的声音，但没办法知道其中一个叫小陈，另一个叫小李。所以输出结果一开始都是匿名标签：说话人1、说话人2，依此类推。把这些标签换成真实姓名是一个手动步骤，而且只需要在转录文本开头做一次，把每个标签对应到一个名字上就行。
让这一步变得轻松而不是麻烦的诀窍，是让每个人在录音刚开始的时候都大声说一下自己的名字。这只花大概十秒钟，却能给你一个清晰的参照点——你知道开头那句“我是小李”的声音，接下来整份文档里都该标成小李。省了这一步，你就只能靠记忆或者上下文去把声音和名字对上号，这样也行，但更费时间，说话人越多、出错的概率也越大。
如果你专门是在录一场采访，这个习惯值得写进你每次开录的固定流程里——更多关于怎么从第一分钟就把这件事做好的内容，可以看看采访录音转文字这篇。至于怎么把录好的音频变成标注好说话人的文字，音频转文字这篇讲了具体的转换步骤；而像SozAI推出的转录app，拿到录音之后就能生成说话人标注、摘要，还能在多种语言之间做翻译——事后给说话人填上真实姓名仍然要你自己来做，但那一步会很快。
现实一点：该有什么预期
即便录音条件已经很好，还是有几种情况会稳定地产生不完美的结果，提前了解这些情况，把它们当作正常现象而不是工具的失败，会更划算。
- 如果有人是在录音进行到一半才加入的，这时系统已经根据前面的声音建好了各自的“声音档案”，这位新加入的人往往会被并进已有的某个说话人标签里，而不会单独给一个新标签。
- 如果有人在整段录音里只说了几句话——比如简单应一声、问一句话——常常会被归并到旁边那个人的发言里，因为系统手里这个人的声音样本太少，不够单独建一个档案。
- 真正的重叠发言，就像前面说的那样，往往会被合并成某一个人的一整段发言。
- 人数多、声音又相似的大群体，比声音各有特色的小群体，会产生更多的标注错误，原因很简单——出错的机会更多了。
这些都不是说难处理的录音就不值得转录了——它们只是提醒你，这些片段大概需要人工再核对一遍，而不是整份文档都要重新检查一遍。如果你知道自己要录的东西本来就比较复杂，也值得提前想清楚：你到底需要逐字逐句的全部转录，还是只需要标好说话人的重点内容？把每个字都转录出来并不总是最有用的做法，尤其是对长录音来说，你其实主要想知道的是谁在什么事情上表了态——这类用法可以参考把录音变成会议记录这篇。另外，如果你想在处理长文件之前，先测试一下某段录音的标注效果，可以去下载页拿到这个app，先跑一小段样本试试，这比任何笼统的建议都更能告诉你实际结果。
真正起作用的是什么
如果这篇文章只让你记住一件事，那就是：录音本身比软件更重要。麦克风放在中心位置、说话人数量不多且声音各不相同、每个人一开始都说一下自己的名字，再加上接受重叠发言需要人工核对——这套组合带来的效果，会比事后调什么设置、选什么功能都更明显。标注这一步确实在做实实在在的工作，但它能做到什么程度，取决于录音本身给了它什么素材；一段从一开始就考虑到说话人区分的录音，标注效果永远会比没考虑这一点的录音更好，不管后面用什么软件来转录，都是这样。
