FunASR说话人分离完全指南：三步自动标记“谁说了什么“-育师

FunASR说话人分离完全指南：三步自动标记"谁说了什么"

【免费下载链接】FunASROpen-source speech recognition toolkit for training, inference, streaming ASR, VAD, punctuation, speaker diarization pipelines, and OpenAI-compatible/MCP serving.项目地址: https://gitcode.com/GitHub_Trending/fun/FunASR

会议录音结束，整理有多难？

两小时的会，三点结束。一支麦克风，四个人声，还有几处抢话。转写工具给你的是一大段没有名字的文本。想知道谁说了什么，得反复倒回去听录音。纪要拖到晚上才整理完。

FunASR说话人分离给出的答案是：它能把多人录音自动拆成带说话人标签的分段，同时输出带时间戳的文本。不用人工标注，也不用先注册声纹。

它到底能干什么？

FunASR说话人分离有四个能力值得知道：

自动说话人标注：每段语音挂一个匿名编号（spk 0、spk 1…），不需要训练你的模型
一条流水线出转写：VAD切分、说话人分离、ASR识别、标点恢复，一次调用全做完
带时间戳输出：每句都有起止时间，字幕、检索可以直接复用 🔍
多种用法：本地 Python、CLI 命令、OpenAI 兼容 HTTP 服务，任选其一

原理拆解：三级流水线

那它是怎么做到的？其实是三级流水线，每一级只干一件事。

输入端：VAD 把长音频切成段

第一级是 VAD（Voice Activity Detection，检测音频里哪些位置有人声）。它像个剪辑师：在静音处下刀，把两小时长音频切成一段段可处理的语音。FunASR 默认用轻量级的 FSMN-VAD 完成这一步。

处理端：CAM++ 按"谁的声音"分组

第二级是说话人分离（speaker diarization，把混在一起的语音按说话人拆开）。CAM++ 声纹模型给每段语音算一个"音色向量"——像前台按嗓音认人——把同一个人的话归到同一个编号下。

输出端：ASR 识别文本并挂标签

第三级是 ASR（Automatic Speech Recognition，语音转文字）。它像速记员：写下每个人说了什么，附起止时间和 spk 编号。你拿到的是形如0000-0004 spk0 下季度…的列表。仓库里还有端到端的 EEND-OLA 说话人分离实现，结构如下：

说话人分离三步走：从克隆到第一条转写

第一步：拿代码并安装

git clone https://gitcode.com/GitHub_Trending/fun/FunASR pip install funasr

第二步：三行代码开启说话人分离

from funasr import AutoModel model = AutoModel(model="iic/SenseVoiceSmall", vad_model="fsmn-vad", spk_model="cam++") res = model.generate(input="meeting.wav")[0]

spk_model="cam++"是关键一行。不加它，输出就是一份没有名字的分身纯文本。

第三步：看结果

res["sentence_info"]就是结果：每条含start/end（毫秒时间戳）、spk（说话人编号）、text（内容）。习惯命令行的人一条命令搞定，详见 CLI 说明：

funasr meeting.wav --spk -f json

两个落地案例

案例一：企业会议纪要自动化

谁在用：团队的会议组织者和行政同事。痛点是会一结束就得有人手动扒录音，半天才出一份纪要。现在会后录音跑一次说话人分离，直接得到带说话人编号的文本，"张三上次提了什么"可以按人检索。效果是纪要从"明天的活"变成"散会即出"。这条路径是模型选择指南里的标准组合。

案例二：多方通话录音归档

谁在用：客服与录音归档团队。长录音里声音多，查一条投诉要来回翻几十分钟。把 FunASR 挂进在线 runtime 服务后，转写带上 spk 标签，按说话人编号过滤就能定位到人。服务整体结构如下：

调优与边界

三条建议，可以照抄：

模型选择：多语种或跑 CPU 用 SenseVoice-Small；纯中文、要字级时间戳换 Paraformer，详见模型选择指南
长音频：超过一小时的录音建议先按时间切片再分批跑。说话人越多标签越容易混，长音频尤其明显；更长的一体化路径可看 MOSS 接入文档
服务化：多人并发请求时走funasr-server的 OpenAI 兼容接口，别让每个应用自己加载 Python 模型

两条边界也要说清楚：spk只是单次录音内的匿名编号，不识别真实姓名、不能跨录音匹配、不能当声纹验证用；重叠语音无法拆分，两人同时说话的那段可能只归属其中一人。

回到开头那场两小时的会：散会那一刻，你收到的不是一堆录音，而是一份带说话人标签、随时可以按人检索的文件。

创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考

FunASR说话人分离完全指南：三步自动标记“谁说了什么“