廣東話轉錄點分辨講者：會議、訪談、客服錄音嘅實務做法

一小時嘅會議錄音，轉完出咗一萬字。你打開逐字稿，第一個問題通常唔係「有冇錯字」，而係「邊句係老細講」。

呢個就係講者分辨（speaker diarization）要解決嘅問題。講者分辨係指系統將一段錄音切成唔同講者，並為每段文字標上「A、B、C」呢類標籤嘅過程。它唔係「認得邊個」，只係「分得開幾多把聲」。

本文講四件事。三種做法嘅實際差別。各家公開規格。粵語最易失手嘅四個位。同一套可以照做嘅驗收方法。全文係一份講者分辨（diarization）實務清單，適合會議、訪談、客服三類錄音。

重點摘要

• 講者分辨同「認人」係兩件事：前者分組，後者要聲紋登記。
• 雙聲道錄音（一人一軌）永遠準過單聲道靠算法分；呢個係硬件決定，唔係模型決定。
• 公開規格差異好大：ElevenLabs 文件寫最多 32 位講者；Rev 嘅 FAQ 寫英文 8 位、非英文 6 位。
• 粵語最易失手嘅係重疊發言同「係」「唔係」呢類兩三字回應 — 太短，聲紋唔夠料。
• 驗收用 10 段抽樣，逐段問「呢句係邊個講」，比整體準確率有用。

三種做法：硬件、算法、聲紋

做法一：一人一軌（雙聲道）

如果錄音本身係雙聲道，而且左右各一人，其實唔需要算法。直接拆軌就可以。

呢個做法最穩，因為零推測。缺點係只適用於兩人、而且設備要配合。三方以上嘅會議，唔可能一人一軌。

雙聲道係一個好實際嘅選擇位。同一間房，兩支咪分左右入同一個檔，準確度會高過單聲道靠算法切。代價係檔案大細同後期處理多一步。

做法二：聚類分組（單聲道最常見）

單聲道錄音，系統要先判斷「邊段有人講嘢」，再比較各段嘅聲學特徵，把相似嘅歸為同一組。呢個過程叫聚類。

聚類嘅弱點係「冇答案可以對」。它只會告訴你「呢 40 段似同一把聲」。如果兩個人聲線接近，或者其中一個只講咗两句，就會併錯。

【獨家觀察】我哋處理香港會議錄音時，最常見嘅併錯係「主持 + 一位少發言嘅同事」。原因唔係聲線似，係後者樣本太少。算法見到 3 段同 30 段，傾向把 3 段併入最近嘅大組。

做法三：聲紋比對（要事先登記）

聲紋係指用一段語音算出嘅數學特徵，用嚟比對「係唔係同一個人」。做法係事先為每位講者登記一段參考錄音，之後每次錄音都比對。

好處係可以認人，唔止分組。代價係要有登記流程，而且每次要比對，多一層工程。

我哋嘅會議轉錄走混合路線：先用聚類分出 A、B、C，再用已登記嘅聲紋做「建議命名」。系統只會自動接受高分比對，其餘列為建議，等人確認。人手改名永遠優先於自動結果。

私隱上有一條線要守。聲紋特徵屬生物特徵，我哋只留喺系統內部，唔會出現在畫面、匯出檔或者日誌。

各家公開規格對照

呢張表只列官方文件寫得出嘅數字。冇寫嘅就標「未列」，唔靠猜。

最後一列值得解釋。講者不明係一個刻意保留嘅狀態。系統寧願標「唔知邊個」，都唔好亂猜一個名。因為錯標嘅人名，會直接影響會議記錄嘅問責性。

例如決議寫「陳經理同意預算」，但其實係另一位同事講。呢種錯比「講者不明」嚴重得多。

粵語四個最易失手嘅位

一、重疊發言

香港會議好少一人講完到下一人。多數係兩三個人同時搶住講。重疊段落喺聲學上係混合訊號，任何系統都難切。

實務做法係唔好期望奇蹟。重疊超過兩秒嘅段落，接受它會出錯，並在逐字稿保留時間碼，方便人手覆核。

二、兩三字回應

「係。」「唔係。」「OK。」「得。」

呢類回應佔會議內容可能兩成，但每段只有 0.3 至 0.8 秒。樣本太短，聲紋唔夠料，聚類亦唔夠區分度。

【實測】我哋內部測試發現，短回應段落嘅講者標籤錯誤率明顯高過長句。所以我哋嘅做法係：短段落照出，但唔會用它去「鎖定」講者身份。

三、語氣詞同懶音

「啦」「囉」「喎」「咩」呢類語氣詞，成日被切走或者歸入前一句。一旦切走，講者邊界就會移。

懶音（例如 n/l 不分）會令兩個唔同字嘅聲學特徵接近，間接拉低聚類區分度。呢個係粵語本身嘅特性，唔係邊個平台特別差。

粵語嘅資源劣勢亦係背景因素。2026 年 AAAI 發表嘅 WenetSpeech-Yue 語料庫指出，粵語雖然約有 8,490 萬母語者，長期缺乏標註語料，直接拉低 ASR 同語音合成表現。佢哋用 21,800 小時語料補呢個缺口。

四、中英夾雜嘅人名

「呢個 case 交俾 Kelvin 跟。」

英文名嘅音節少、講得快，而且好多人讀法唔同（Kel-vin／Kel-vin）。呢類詞既影響轉字，亦影響講者邊界判斷。

錄音前做三件事，效果差好遠

第一件：咪放中間，唔好放主席位

一支咪放長桌中央，比放主席位好。因為距離差異細，音量差異細，聚類就穩。

如果只能放一邊，就要接受「遠端講者」質素較差。收音設定嘅細節，見 混合會議收音設定指南。

第二件：開場請每人講一句全名

呢個係最便宜嘅改善方法。開會頭 30 秒，請每人講一次「我係陳大文，負責採購」。

有咗呢 30 秒，聚類有足夠樣本，聲紋登記亦有材料。冇呢 30 秒，系統要靠中途猜。

第三件：講者數目講清楚

好多平台可以指定「今場幾多人」。如果你知道係 5 人，就填 5。

填錯會直接影響結果。填多咗，系統會硬切出多餘講者；填少咗，兩個人會被合併。

出稿後點驗收：10 段抽樣法

唔好睇整體百分比。用抽樣。

第一步，隨機抽 10 段有標籤嘅文字，盡量涵蓋唔同講者同長短。

第二步，逐段播返原音 5 秒，問一句：「呢句係邊個講？」

第三步，記錄三種結果：對、錯、唔確定。錯嘅要記低係「併錯」定「拆錯」。

第四步，如果「錯」超過 2 段，就唔好只用自動結果。改為全部人手確認，或者改用雙聲道錄音。

呢個方法同 廣東話語音轉文字實測 嘅思路一致：先定義錯，再計數。分別係今次嘅單位係「段」，唔係「字」。

幾時唔需要講者分辨

唔係所有場景都需要。以下三種情況，可以省返呢一步：

• 一人錄音（口述筆記、單人 podcast）。
• 你只需要「有冇提過某個關鍵詞」，唔需要問責。
• 內容會再由人手重寫成摘要，講者標籤最後會被丟。

相反，以下場景幾乎一定要：會議記錄、法律訪談、醫療問診、客服質檢。呢四類都涉及「邊個講嘅」有實際後果。

想睇會議場景嘅完整流程，可以讀 中英夾雜會議記錄 AI 同 廣東話錄音轉逐字稿實務流程。法律場景嘅特別要求，見 法律語音轉寫。

常見問題

講者分辨同「認人」有咩分別？

分辨只係分組，輸出「A、B、C」。認人要事先登記聲紋，先可以講出「陳大文」。前者唔需要事先準備，後者要。

兩個人嘅錄音，值得開講者分辨嗎？

值得，但更值得先用雙聲道。兩人會議用一人一軌，準確度最穩定，亦唔需要算法推測。

標錯講者會唔會影響摘要？

會。摘要通常按「誰提出、誰同意」組織。標錯會令行動項派錯人。所以我哋建議人手確認關鍵決議段落。

聲紋資料會唔會外洩？

聲紋屬生物特徵，處理要格外小心。我哋只保留內部特徵，唔會在畫面、匯出檔或日誌出現；用戶亦可以選擇唔啟用聲紋建議。

關於呢篇文

本文由港嘢內容團隊整理，規格數字以各平台官方文件為準（抓取日 2026-10-31）。有更新或者想補充你嘅場景，歡迎 聯絡我們；想知我哋點處理粵語語音，可以睇 關於港嘢 同 廣東話語音轉文字。

資料來源：ElevenLabs 語音轉文字文件（講者上限 32）；AssemblyAI 定價參考（diarization 加 $0.02/hr）；Rev 支援中心語言與講者數 FAQ；Deepgram 模型與語言文件（2026-10-31 抓取）。