说话人分离
语音识别领域的专门子任务，目标是自动判断音频中谁在什么时候说话，并为转录文本打上说话人角色标签，常用于播客、访谈、会议场景
核心事实
时间轴 (近 90 天)
工具型AI硬件的典型能力是长时间录音、说话人分离、实时转写、自动生成摘要与待办事项。
说话人分离结果依赖声纹聚类，在重叠语音、短插话、音色相近或说话人中途变化时容易出错，且标签本身不含真实身份信息。
说话人分离的典型流程包括语音活动检测（VAD）、语音分段、说话人嵌入提取和聚类四个步骤。
说话人识别技术通常分两阶段：先通过声学特征提取将音频切分为同质片段，再通过聚类算法归并同一说话人的片段
Mistral将说话人分离内建进模型作为自回归任务，模型输出分段转录（起始时间、文本、结束时间、说话人ID），用相同的自回归损失训练
流式模型比批量模型故障模式更多，常会凭空创造出额外的说话人，这是上下文不足的直接后果
全部知识事实 (9)
新一代语音交互转向端到端的多模态模型架构，直接在语音信号层面理解和生成，压缩延迟并保留副语言信息
80%已验证说话人分离（Speaker Diarization）的目标是回答'谁在什么时候说话'，传统方案依赖i-vector或x-vector等说话人嵌入表示，再通过谱聚类等方法归属语音片段
65%已验证现代说话人分离系统通常结合声纹嵌入（如 d-vector、x-vector）与聚类算法
65%待验证工具型AI硬件的典型能力是长时间录音、说话人分离、实时转写、自动生成摘要与待办事项。
50%待验证说话人分离结果依赖声纹聚类，在重叠语音、短插话、音色相近或说话人中途变化时容易出错，且标签本身不含真实身份信息。
50%待验证说话人分离的典型流程包括语音活动检测（VAD）、语音分段、说话人嵌入提取和聚类四个步骤。
50%待验证说话人识别技术通常分两阶段：先通过声学特征提取将音频切分为同质片段，再通过聚类算法归并同一说话人的片段
50%待验证流式模型比批量模型故障模式更多，常会凭空创造出额外的说话人，这是上下文不足的直接后果
50%待验证Mistral将说话人分离内建进模型作为自回归任务，模型输出分段转录（起始时间、文本、结束时间、说话人ID），用相同的自回归损失训练
50%