最近做了一个小工具 Seply ，主要解决多人录音里的说话人分离问题。 这里的“分离”不是只在文字稿里标记 Speaker 1 、Speaker 2 ，而是上传一段播客、采访或者会议录音后，实际生成每位说话人的独立音轨，并且保持和原录音的时间轴对齐，方便后续剪辑、转写或者单独处理某个人的声音。 最开始做这个功能，是因为我发现很多 diarization 工具只能告诉你“谁在什么时候说话”，但如果想真正拿到每个人的音频，仍然需要手工剪辑。 目前主要支持： 上传音频或视频 自动识别或手动设置说话人数 为每位说话人生成独立 WAV 音轨 普通对话和重叠语音两种处理模式 另外做了带说话人和时间轴的语音转文字功能 实际做下来，最难处理的还是多人同时说话。 普通轮流对话的分离效果相对稳定，但遇到抢话、打断或者两个人同时说话时，很难做到完全干净。我后来增加了一个针对重叠语音的 Advanced 模式，效果会好一些，但处理成本也高很多。 所以现在产品里保留了两个模式： Standard：适合大多数轮流说话的播客、采访和会议 Advanced：适合重叠说话较多、对分离质量...