把訪談或會議錄音轉成逐字稿，轉完之後常常剩下一個問題：分不出誰說了哪句。要讓逐字稿可以直接拿來整理會議記錄、引用受訪者的話，需要的是「語者分離」（speaker diarization）：由系統根據聲音特徵，把內容標成「語者 A：⋯⋯」「語者 B：⋯⋯」。
這篇文章解釋語者分離的原理、什麼情況容易分錯、怎樣錄音可以更準，以及三條實際路線的取捨。文末示範的 Subanana 是我經營的產品，哪些情況它不適合，我也會寫清楚。
語者分離與語音轉文字是兩件事
- 語音轉文字（STT）處理「說了什麼」：把聲音變成文字。
- 語者分離（diarization）處理「誰在何時說」：根據聲音特徵，偵測語者切換的位置，把每段聲音歸給不同語者。
根據 Google Cloud 的語音辨識文件，語者分離是辨識請求中一個獨立的參數：系統偵測語者何時切換，並用編號標記音檔中偵測到的每一個聲音。也就是說，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。
訪談逐字稿、會議記錄、多人 Podcast：只要錄音裡有兩個人以上，有沒有語者分離，可用性差非常多。
什麼情況容易分錯？
語者分離不是萬能，以下情況最容易出現「語者張冠李戴」或「一個人被拆成兩個」：
- 發言重疊。附和、插話多，語者邊界就模糊。
- 聲音相近。同性別、年紀相近的語者，聲音特徵接近，較難區分。
- 雜音多、收音遠。一支手機收整個會議室的聲音，遠處語者的分離效果一定差。
- 壓縮音源。電話錄音、線上會議的壓縮音訊，聲音特徵的線索本身就變少。
反過來說，錄音品質愈好，語者分離愈準：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語者人數，知道確切人數時手動指定，通常比全自動更穩定。
三條路線：雲端 AI、本機組合、專用設備
1. 雲端 AI 逐字稿工具（方便、自動）
瀏覽器上傳檔案，轉文字與語者分離一次自動完成，不用安裝任何東西。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成品的人。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，本身不做語者分離。開源社群的標準做法是搭配 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語者分離：偵測語音活動、語者切換、重疊發言，再把各段聲音歸類。兩者搭配，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、指令操作都要自己來；中文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體收高品質音源，再交給軟體處理。適合常開實體會議的團隊，但要先購買設備。
用 Subanana 做語者分離逐字稿
Subanana 屬於第一條路線：瀏覽器完成、自動分語者。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。
- 選擇來源語言。系統為每種語言持續評測多個辨識模型，自動挑選該語言表現最好的一個，支援語言共 95 種以上，中英夾雜的內容也處理得來。
- 設定語者人數：自動偵測或手動指定都可以。
- 轉錄完成後，逐字稿已按語者分段，並自動加標點、分段落。把「語者 1」「語者 2」改成實際姓名，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 個內建模板。
轉錄完成後花一兩分鐘掃一次語者標籤，有錯手動改正，是提升成品品質報酬率最高的一步。免費方案可以預覽每個檔案前 15 分鐘的結果，先用一段短錄音試試分離效果最實際；想直接在網頁上試，可以用免費 AI 逐字稿工具頁。匯出（SRT、VTT、TXT、DOCX、XLSX、Markdown）屬付費功能，方案價格見方案費用頁，Lite 年繳約 US$9／月。
Subanana 不適合的情況：資料完全不能上雲端的場景，本機 Whisper＋pyannote 組合才是正路；純粹想把實體會議錄得更清楚，先解決收音硬體更實際。
常見問題
語者分離是什麼？ 根據聲音特徵，標出錄音中「誰」在「何時」發言的處理；搭配語音轉文字，就得到按語者分段的逐字稿。轉文字處理「說了什麼」，語者分離處理「誰說的」，兩者是獨立的步驟。
怎樣提高語者分離的準確度？ 錄音品質最關鍵：每人一支麥克風、環境安靜、減少插話，以及預先指定語者人數。完成後再花一兩分鐘核對語者標籤，成品就穩妥得多。
Whisper 可以做語者分離嗎？ Whisper 本身只做語音轉文字，不做語者分離。本機方案需要搭配 pyannote 之類的開源工具包，由它負責偵測語者切換再分段。不想處理技術設定的話，用內建語者分離的雲端工具直接得多。
訪談逐字稿也適用同一套做法嗎？ 適用。訪談通常只有兩三位語者，手動指定人數後分離效果更穩；完整流程可以參考訪談逐字稿教學，Podcast 節目則見 Podcast 逐字稿製作教學。