多人開會或做訪談，錄音轉了文字之後常常剩下一個問題：分不出誰講了哪句。要把錄音變成可用的會議記錄或訪談逐字稿，需要的是「講者分離」（speaker diarization）：由系統根據聲音特徵，標出「講者 A：⋯⋯」「講者 B：⋯⋯」。
這篇文章解釋講者分離的原理、甚麼情況會分錯、怎樣錄音可以令結果更準，以及三條實際路線的取捨。文末示範的 Subanana 是我經營的產品，哪類情況它不適合，我也會寫清楚。
講者分離與語音轉文字是兩件事
- 語音轉文字（STT）處理「講了甚麼」：把聲音變成文字。
- 講者分離（diarization）處理「誰在何時講」：根據聲音特徵，偵測講者轉換的位置，再把每段聲音歸到不同講者。
根據 Google Cloud 的語音辨識文件，講者分離是辨識請求中一個獨立的參數：系統偵測講者何時轉換，並用編號標記音檔中偵測到的每一把聲音。換句話說，這是疊在轉文字之上的另一層處理；兩層都做好，才會得到「按人分段」的逐字稿。
會議記錄、訪談逐字稿、多人 Podcast：只要錄音裡有兩個人以上，有沒有講者分離，可用性差天共地。
甚麼情況會分錯？
講者分離不是萬能，以下情況最容易出現「講者張冠李戴」或「一個人被分成兩個」：
- 發言重疊。附和、插話多，講者邊界就模糊。
- 聲線相近。同性別、年紀相近的講者，聲音特徵接近，較難區分。
- 雜音多、收音遠。一部手機收全房間的聲，遠處講者的分離效果一定差。
- 壓縮音源。電話錄音、網上會議的壓縮音訊，聲音特徵的線索本身就少了。
反過來說，錄音質素愈好，講者分離愈準：每人一支麥克風、環境安靜、主持人控制輪流發言，結果會明顯改善。另外，多數工具支援預先指定講者人數，知道確切人數時手動指定，通常比全自動更穩。
三條路線：雲端 AI、本機組合、專用設備
1. 雲端 AI 語音轉文字工具（方便、自動）
瀏覽器上傳檔案，轉文字與講者分離一次過自動完成，毋須安裝任何東西。多數工具連標點、分段、摘要都一併處理，適合想直接得到可用會議記錄的人。代價是檔案需要上傳到雲端處理。
2. 本機 Whisper＋pyannote（免費、技術門檻高）
想零成本、或者資料不能離開自己電腦，可以在本機跑開源模型。要注意：OpenAI 的 Whisper 只做語音轉文字，本身不做講者分離。開源社群的標準做法是配搭 pyannote。根據 pyannote 專案說明（2026 年 8 月 28 日查閱），這個開源工具包的功能正是講者分離：偵測語音活動、講者轉換、重疊發言，再把各段聲音歸類。兩件工具搭配使用，就是「先分人、再逐段轉文字」的兩步流程。
- 適合：懂 Python、願意處理環境設定，而且在乎資料留在本機的人。
- 代價：模型下載、GPU、指令操作都要自己搞；廣東話等語言的效果也要自己測試。
3. 專用錄音設備
實體會議可以用專門的錄音硬件收高質音源，再交給軟件處理。適合經常開實體會的團隊，但要先買設備。
用 Subanana 做分講者逐字稿
Subanana 屬於第一條路線：瀏覽器完成、自動分講者。步驟如下：
- 上傳錄音或影片檔（每個檔案上限 30 GB 或 8 小時），或貼上公開的 YouTube、Instagram、Facebook 連結。
- 選來源語言。廣東話錄音直接選廣東話，輸出可選口語或書面語；支援語言共 95 種以上，中英夾雜的會議一樣處理。
- 設定講者人數：自動偵測或手動指定都可以。
- 轉錄完成後，逐字稿已按講者分段，並自動加標點、分段落。把「講者 1」「講者 2」改成真實姓名，讀起來就像正式記錄。
- 需要會議摘要的話，同一份轉錄可以直接生成重點、決議與行動項目，摘要用的 AI 模型可以自選，並有超過 30 個模板。
轉錄完成後花一兩分鐘掃一次講者標籤，有錯手動改正，是提升成品質素回報最高的一步。免費方案可以預覽每個檔案首 15 分鐘的結果，先用一段短會議錄音試試分離效果最實際；想直接在網頁試，可以用免費語音轉文字工具頁。匯出（SRT、VTT、TXT、DOCX、XLSX、Markdown）屬付費功能，各方案見方案費用頁。
Subanana 不適合的情況：資料完全不能上雲的場景，本機 Whisper＋pyannote 組合或設有內部部署需求的方案才是正路；純粹想錄實體會議的高質音源，先解決收音硬件更實際。
常見問題
講者分離是甚麼？ 根據聲音特徵，標出錄音中「誰」在「何時」發言的處理，配合語音轉文字使用，就得到按講者分段的逐字稿。轉文字處理「講了甚麼」，講者分離處理「誰講的」，兩者是獨立的步驟。
怎樣提高講者分離的準確度？ 錄音質素最關鍵：每人一支麥克風、環境安靜、減少插話，以及預先指定講者人數。完成後再花一兩分鐘核對講者標籤，成品就穩妥得多。
Whisper 可以分辨講者嗎？ Whisper 本身只做語音轉文字，不做講者分離。本機方案需要配搭 pyannote 之類的開源工具包，由它負責偵測講者轉換再分段。不想處理技術設定的話，用內建講者分離的雲端工具直接得多。
廣東話錄音都分到講者嗎？ 可以。講者分離根據聲音特徵運作，與語言無關；Subanana 的廣東話轉錄支援口語與書面語輸出，訪談做法可以參考訪談逐字稿教學。