近一年四件”说话人分离”(speaker diarization,判定音频里谁在何时说话)专利相继公开:NVIDIA 的流式缓存方案本月刚公开,Google 占下三件。大厂把分离模型越做越省,转写交付里”这句话是谁说的”这道人工质检关还空着——接转写单的人每天都在这上面耗时间。
专利信号:分离从离线批处理走向流式
- US20260245574A1,NVIDIA Corporation,2026-08-20 公开(2026-02-18 提交):流式说话人分离,把”已出现说话人”的缓存随新语音片段一并输入分离模型,输出各说话人在该段的发言概率,缓存按出场顺序映射。
- US20260045268A1,Google LLC,2026-02-12 公开:无监督分离,用潜在说话人瓶颈模块,每输出步从嵌入集合选子集,逐个预测说话人的语音活动。
- US20250335711A1,Google LLC,2025-10-30 公开:用分块自注册(逐段登记声纹)提示多模态大模型做长音频分离。
- US20250225998A1,Google LLC,2025-07-10 公开:大模型后处理分离结果,修正说话人标签。
以上均为申请公开,不等于已授权。
技术趋势:流式省算力,纠错交给大模型
共同走向:分离从”录完再跑一遍”转向”边说边定人”——NVIDIA 把已出场说话人做成缓存,新片段不必重推历史;Google 两件把分离结果送进大模型链路,分块自注册降低长音频漂移,后处理直接改标签。与现成方案的差异:开源 pyannote-audio(GitHub 约 1.05 万 star)是离线批分析,主流转写栈(pyannote + Whisper)在长会议抢话处会中途换人,错到几十分钟后才发现。流式与大模型纠错是这条链现在的两个空位,上一篇实时内容审核专利简报写的是语音流的”内容关”,这轮写的是”谁在说”这关。
落地机会:卖给被”这句话谁说的”拖住工时的转写交付方
用户场景:播客后期接单者与法务转写工作室,拿到 3 小时多人会议录音,转写完要整段重听核对说话人标签——模型在抢话处换人,一句标错后面全乱,一份稿子核对应花近一小时;客户验收只认”谁说了哪句”都对。一个人能做的那一层:分离质检插件——挂在 pyannote-audio + Whisper 流水线上,给每句打置信分,把抢话段、疑似换人段标红并可一键跳转试听,改完导出 SRT/VTT/带标签文本。技术栈全开源,月成本数百元 GPU 租用,1 人 4 周内可做出 MVP。
创业发现:工具订阅加一次性审核两条腿
- 质检工具订阅:向转写工作室、播客团队收 $8-15/月/席位,首批客户来自 Whisper 中文社群与转写外包群里天天问”分离错了怎么办”的人。
- “说话人标签审核”服务:对客户历史转写稿跑置信度核查,交付改错清单,单次 1000-3000 元,再转订阅。
门槛:重叠语音长尾错误率高,先扎一种场景(两人访谈)把准确率做透。风险:转写大厂原生内置大模型后处理,纯纠错工具会被挤压——护城河在审核工作流与垂直调优,不在模型。读完今天能做的事:拿一份两小时会议录音跑 pyannote-audio + Whisper,数有多少句要人工改说话人,那个数字就是需求样本。