区分不同声音,并允许以后纠正归属
现在
常用
截至 11 月 4 日 · 项目源码和模型配置

把不同声音的发言按时间组织,帮助阅读多人讨论;匿名分组与本人明确确认的归属分开,错误归属可撤回。

当前情况:已有匿名声音分组和可撤回归属线索;当前证据仍是推断,不能证明说话人的真实身份。

项目技术事实核对于 2026-11-04(北京时间),按当时的 main(4598696)只读核对;具体测试保留各自日期,页面不实时探测运行状态。

项目源码:公开仓库

区分不同声音,并允许以后纠正归属
现在
常用
截至 11 月 4 日 · 项目源码和模型配置

把不同声音的发言按时间组织,帮助阅读多人讨论;匿名分组与本人明确确认的归属分开,错误归属可撤回。

当前情况:已有匿名声音分组和可撤回归属线索;当前证据仍是推断,不能证明说话人的真实身份。

项目技术事实核对于 2026-11-04(北京时间),按当时的 main(4598696)只读核对;具体测试保留各自日期,页面不实时探测运行状态。

项目源码:公开仓库

这项功能怎样使用

用途与实际影响

为什么需要它

不同声音的分组不能告诉人名;同一个人换麦克风或环境,声音特征也会变。要把匿名发言、声音线索和现实归属分开。

举个实际例子

“把会议按不同发言人分段,先叫说话人1、2,不要猜你不知道的名字。”系统给匿名声音分组和相应文字,后续明确修正只影响已指定的归属。如果我确知是两个人打电话,可以直接告诉它“两个人”,它就按两组来分;不说就自动判断分几组。

最后我会得到什么

得到分段时间线、匿名声音组和有来源的归属记录;不是自动识别人名或证明身份。告诉它的人数只决定分几组,也可能把一个人拆开或把两个人并在一起,不代表认出了谁。

正常时

能确定声音片段和可靠上下文时,交回带理由、允许纠正的暂定归属;匿名分组仍保留。要判断哪几句是我说的、而现有的“我的声音参考”还没确认过时,会在那次需要时请我听一下参考样本确认;平时不主动打扰。

发现问题时

声音线索和聊天语境不一致时说明各自依据,不能只靠一个相似分数猜姓名。

入口不可用或证据不足时

时间段或来源证据不能对应原音时只保留匿名组,无法确定的人保持未知。以前 Paraformer 转的旧稿,逐句时间可能和文字错位:这种稿不能拿来判断哪句是谁说的,要重跑;真要截取当证据,还要回听或单段复核。

这项功能怎样使用

用途与实际影响

为什么需要它

不同声音的分组不能告诉人名;同一个人换麦克风或环境,声音特征也会变。要把匿名发言、声音线索和现实归属分开。

举个实际例子

“把会议按不同发言人分段,先叫说话人1、2,不要猜你不知道的名字。”系统给匿名声音分组和相应文字,后续明确修正只影响已指定的归属。如果我确知是两个人打电话,可以直接告诉它“两个人”,它就按两组来分;不说就自动判断分几组。

最后我会得到什么

得到分段时间线、匿名声音组和有来源的归属记录;不是自动识别人名或证明身份。告诉它的人数只决定分几组,也可能把一个人拆开或把两个人并在一起,不代表认出了谁。

正常时

能确定声音片段和可靠上下文时,交回带理由、允许纠正的暂定归属;匿名分组仍保留。要判断哪几句是我说的、而现有的“我的声音参考”还没确认过时,会在那次需要时请我听一下参考样本确认;平时不主动打扰。

发现问题时

声音线索和聊天语境不一致时说明各自依据,不能只靠一个相似分数猜姓名。

入口不可用或证据不足时

时间段或来源证据不能对应原音时只保留匿名组,无法确定的人保持未知。以前 Paraformer 转的旧稿,逐句时间可能和文字错位:这种稿不能拿来判断哪句是谁说的,要重跑;真要截取当证据,还要回听或单段复核。

结果怎么看
正常时

能确定声音片段和可靠上下文时,交回带理由、允许纠正的暂定归属;匿名分组仍保留。

发现问题时

声音线索和聊天语境不一致时说明各自依据,不能只靠一个相似分数猜姓名。

入口不可用或证据不足时

时间段或来源证据不能对应原音时只保留匿名组,无法确定的人保持未知。

结果怎么看
正常时

能确定声音片段和可靠上下文时,交回带理由、允许纠正的暂定归属;匿名分组仍保留。

发现问题时

声音线索和聊天语境不一致时说明各自依据,不能只靠一个相似分数猜姓名。

入口不可用或证据不足时

时间段或来源证据不能对应原音时只保留匿名组,无法确定的人保持未知。

从哪里开始

多人录音要求区分发言段;标本人时再明确提出。

需要准备什么
  • 要区分发言人的录音(确知几个人时可一并说明,不是必填)
  • 是否还要判断其中有无本人(如需要)
从开始到拿到结果
1系统核对并处理
先把不同声音按时间组成匿名组,真实身份另取证;相似声音不等于本人已确认。
2交付与接续
交回分组与不确定性;证据不足保持匿名,后来纠正可撤回归属。
从哪里开始

多人录音要求区分发言段;标本人时再明确提出。

需要准备什么
  • 要区分发言人的录音(确知几个人时可一并说明,不是必填)
  • 是否还要判断其中有无本人(如需要)
从开始到拿到结果
1系统核对并处理
先把不同声音按时间组成匿名组,真实身份另取证;相似声音不等于本人已确认。
2交付与接续
交回分组与不确定性;证据不足保持匿名,后来纠正可撤回归属。
技术实现与依据(一)
这里保留实现、关键条件、精确入口、历史记录和验证结果。
说话人投影与 2–3 来源本人档案单测通过;它仍是推断线索,不是身份认证
关键规则与设计选择
1
Speaker 编号永远不是人物姓名。
2
同原件 enrollment 不参与对外自证。
3
本人 profile 只允许一个当前版本,替换后旧证据失效。
4
单声道混音使用更宽风险带。
5
有具体理由且彼此一致的上下文可暂时压过相反声学线索,必须同时保留反对依据并说明原因,结论仍为 inferred。
6
无法消解的冲突、零长度时间或缺少时间戳时保持 unknown(未验证);不能把所有声学冲突一律写成不可归属。
当前怎样实现
  • Paraformer 可输出逐句时间和 CAM++ 匿名聚类。当前流程用逐字 raw_text 加 timestamp 重建 sentence_info:对得上标 sentence_info_alignment.status=aligned,对不上就把逐句结果移开、不提供逐句时间;旧稿回读不可靠时报 sentence_timestamps_misaligned,属性归属也拒收。单文件 transcribe 在调用方确知人数时可显式传 --preset-spk-num N,结果记录分组方式是 automatic 还是 preset;省略则自动聚类。这个参数只在 Paraformer 单文件路径接受,其他引擎和 quick/strict/batch 路径不接受也不传递。
  • Paraformer 固定 iic/speech_paraformer-large-vad-punc_asr_nat-zh-cn-16k-common-vocab8404-pytorch@v2.0.4;按需 person:self speaker verification 固定 CAM++ model revision v1.0.0、文件 campplus_cn_common.bin、阈值 0.31。
技术实现与依据(一)
这里保留实现、关键条件、精确入口、历史记录和验证结果。
说话人投影与 2–3 来源本人档案单测通过;它仍是推断线索,不是身份认证
关键规则与设计选择
1
Speaker 编号永远不是人物姓名。
2
同原件 enrollment 不参与对外自证。
3
本人 profile 只允许一个当前版本,替换后旧证据失效。
4
单声道混音使用更宽风险带。
5
有具体理由且彼此一致的上下文可暂时压过相反声学线索,必须同时保留反对依据并说明原因,结论仍为 inferred。
6
无法消解的冲突、零长度时间或缺少时间戳时保持 unknown(未验证);不能把所有声学冲突一律写成不可归属。
当前怎样实现
  • Paraformer 可输出逐句时间和 CAM++ 匿名聚类。当前流程用逐字 raw_text 加 timestamp 重建 sentence_info:对得上标 sentence_info_alignment.status=aligned,对不上就把逐句结果移开、不提供逐句时间;旧稿回读不可靠时报 sentence_timestamps_misaligned,属性归属也拒收。单文件 transcribe 在调用方确知人数时可显式传 --preset-spk-num N,结果记录分组方式是 automatic 还是 preset;省略则自动聚类。这个参数只在 Paraformer 单文件路径接受,其他引擎和 quick/strict/batch 路径不接受也不传递。
  • Paraformer 固定 iic/speech_paraformer-large-vad-punc_asr_nat-zh-cn-16k-common-vocab8404-pytorch@v2.0.4;按需 person:self speaker verification 固定 CAM++ model revision v1.0.0、文件 campplus_cn_common.bin、阈值 0.31。
技术实现与依据(二)
1
取得带时间位置的匿名说话人片段。
2
按需加载当前 person:self profile,不扫描媒体库。
  • speaker_evidence.py 建立唯一、私有、可替换的 person:self profile,并区分 enrollment 与 held-out。
  • 多参考模式只接受 2–3 个不同来源,生成有界质心而不是无限画像库。
  • speaker_attribution.py 组合声学、声道、联系人、角色和句义依据;方向一致可给 inferred,方向冲突时仅在 contextual roles 唯一且有具体理由时采用上下文,否则 unknown(未验证)。一般歧义带 ±0.02,单声道混音放宽到 ±0.04。
  • profile 指纹进入证据;删除或替换后旧声学证据不再参与归属。
执行流程
技术实现与依据(二)
1
取得带时间位置的匿名说话人片段。
2
按需加载当前 person:self profile,不扫描媒体库。
  • speaker_evidence.py 建立唯一、私有、可替换的 person:self profile,并区分 enrollment 与 held-out。
  • 多参考模式只接受 2–3 个不同来源,生成有界质心而不是无限画像库。
  • speaker_attribution.py 组合声学、声道、联系人、角色和句义依据;方向一致可给 inferred,方向冲突时仅在 contextual roles 唯一且有具体理由时采用上下文,否则 unknown(未验证)。一般歧义带 ±0.02,单声道混音放宽到 ±0.04。
  • profile 指纹进入证据;删除或替换后旧声学证据不再参与归属。
执行流程
技术实现与依据(三)
3
判断当前片段是否与 enrollment 同源。
4
计算声学分数和歧义带。
5
合并调用方提供的声道、联系人、对话角色和句义依据。
6
记录支持、反对与未知。
7
输出可解释的 inferred 或 unknown(未验证);使用声纹证据时另绑定当前 profile 指纹。
技术实现与依据(三)
3
判断当前片段是否与 enrollment 同源。
4
计算声学分数和歧义带。
5
合并调用方提供的声道、联系人、对话角色和句义依据。
6
记录支持、反对与未知。
7
输出可解释的 inferred 或 unknown(未验证);使用声纹证据时另绑定当前 profile 指纹。
名词和入口
本模块用到的名词
名词意思
diarization把声音聚成匿名说话人;它回答“声音是否像不同人”,不回答姓名。
person:self本机唯一、可替换的本人声纹线索档案。
held-out来自另一原件的留出样本,用于避免同源自证。
ambiguity band(歧义带)阈值附近不稳定的分数范围,落入时不做确定归属。
专业定义

先把不同声音匿名分开,再结合声道、声纹、联系人和上下文做有理由、可撤销的本人推断;证据打架时就保留未知。

名词和入口
本模块用到的名词
名词意思
diarization
意思:
把声音聚成匿名说话人;它回答“声音是否像不同人”,不回答姓名。
person:self
意思:
本机唯一、可替换的本人声纹线索档案。
held-out
意思:
来自另一原件的留出样本,用于避免同源自证。
ambiguity band(歧义带)
意思:
阈值附近不稳定的分数范围,落入时不做确定归属。
专业定义

先把不同声音匿名分开,再结合声道、声纹、联系人和上下文做有理由、可撤销的本人推断;证据打架时就保留未知。

出问题时
解决什么
解决匿名聚类被误当身份、拿同一录音建立和验证声纹、profile 撤销后旧结论继续有效、单声道边界分数强行归属,以及不同证据冲突却没有解释的问题。
边界
只处理具名录音任务,不扫描整个个人媒体库。
声纹向量和私人上下文永不进入公开仓库或网页。
归属是可撤销推断,不是生物识别认证;预设人数也只控制分几组,不认证任何人的身份。
不能识别其他未知人物,也不建设中央人脸/声纹服务。
失败与恢复
  • 只有 Speaker 编号: 保持匿名,不映射真实姓名。
  • profile 已撤销或指纹变化: 旧声学证据失效,其他独立上下文证据单独保留。
  • 单声道混音分数接近阈值: 该分数进入更宽歧义带,不单独支持归属;仍可使用其他具体、有效的上下文,全部依据不足时才 unknown(未验证)。
  • 旧稿逐句时间错位: 回读报 sentence_timestamps_misaligned,属性归属拒收;重跑 Paraformer,真正截证据前再回听或单段复核。
  • 声学与具体上下文冲突: 同时记录两侧证据;只有上下文本身具体且一致时才说明为何暂时压过声学,并标为可撤销 inferred,否则 unknown(未验证)。
出问题时
解决什么
解决匿名聚类被误当身份、拿同一录音建立和验证声纹、profile 撤销后旧结论继续有效、单声道边界分数强行归属,以及不同证据冲突却没有解释的问题。
边界
只处理具名录音任务,不扫描整个个人媒体库。
声纹向量和私人上下文永不进入公开仓库或网页。
归属是可撤销推断,不是生物识别认证;预设人数也只控制分几组,不认证任何人的身份。
不能识别其他未知人物,也不建设中央人脸/声纹服务。
失败与恢复
  • 只有 Speaker 编号: 保持匿名,不映射真实姓名。
  • profile 已撤销或指纹变化: 旧声学证据失效,其他独立上下文证据单独保留。
  • 单声道混音分数接近阈值: 该分数进入更宽歧义带,不单独支持归属;仍可使用其他具体、有效的上下文,全部依据不足时才 unknown(未验证)。
  • 旧稿逐句时间错位: 回读报 sentence_timestamps_misaligned,属性归属拒收;重跑 Paraformer,真正截证据前再回听或单段复核。
  • 声学与具体上下文冲突: 同时记录两侧证据;只有上下文本身具体且一致时才说明为何暂时压过声学,并标为可撤销 inferred,否则 unknown(未验证)。
依据与来源
真实入口
  • person:self profile、留出证据和撤销
  • 上下文与声学证据组合投影
  • profile、同源、留出和撤销回归
  • 双声道、单声道、时间线和冲突回归
如何验证
  • speaker evidence 与 attribution 回归包含在2026-08-31 的 345 项全量通过结果中;之后各次全量运行保留各自日期,不合并成新的全量通过。
  • configs/models.yaml 静态回读(2026-10-11)确认 Paraformer revision=v2.0.4、CAM++ speaker verification revision=v1.0.0、threshold=0.31;当时未加载真实私人 profile,也未把阈值冒充身份认证。
  • 2026-11-04 只读 src/zh_asr/sentence_alignment.py、pipeline.py、transcript_readback.py:逐句重建和错位拒收都在;没有重跑 Paraformer。
  • fixtures 覆盖双声道、单声道 unknown(未验证)、无时间戳、零长度时间和冲突证据;另有具体对话理由覆盖弱声纹反证、单声道歧义分数仍可由上下文判断,以及上下文本身冲突必须 unknown(未验证) 的用例。
  • 本次没有读取任何私人声纹档案或录音,也没有执行人物身份判断。现有本人声音参考仍是推断、可替换,没有经本人听参考样本确认;按现行规则,下次确实需要判断本人声音时再安排本人确认,代码单测不能代替这一步。
与其他模块的关系

本模块消费模型或 Paraformer 的时间线和审计结果;它只增加可解释人物线索,不能提高原转写文本本身的准确性。

依据与来源
真实入口
  • person:self profile、留出证据和撤销
  • 上下文与声学证据组合投影
  • profile、同源、留出和撤销回归
  • 双声道、单声道、时间线和冲突回归
如何验证
  • speaker evidence 与 attribution 回归包含在2026-08-31 的 345 项全量通过结果中;之后各次全量运行保留各自日期,不合并成新的全量通过。
  • configs/models.yaml 静态回读(2026-10-11)确认 Paraformer revision=v2.0.4、CAM++ speaker verification revision=v1.0.0、threshold=0.31;当时未加载真实私人 profile,也未把阈值冒充身份认证。
  • 2026-11-04 只读 src/zh_asr/sentence_alignment.py、pipeline.py、transcript_readback.py:逐句重建和错位拒收都在;没有重跑 Paraformer。
  • fixtures 覆盖双声道、单声道 unknown(未验证)、无时间戳、零长度时间和冲突证据;另有具体对话理由覆盖弱声纹反证、单声道歧义分数仍可由上下文判断,以及上下文本身冲突必须 unknown(未验证) 的用例。
  • 本次没有读取任何私人声纹档案或录音,也没有执行人物身份判断。现有本人声音参考仍是推断、可替换,没有经本人听参考样本确认;按现行规则,下次确实需要判断本人声音时再安排本人确认,代码单测不能代替这一步。
与其他模块的关系

本模块消费模型或 Paraformer 的时间线和审计结果;它只增加可解释人物线索,不能提高原转写文本本身的准确性。

复制 AI 续作说明

项目:区分不同声音,并允许以后纠正归属;仓库:wlyaaaaa/ChineseASR;范围:整个项目;目标:(这里写这次要做的事)。先读项目的 AGENTS.md 和说明,按现行规则做。

把“目标”换成这次要做的事,整段复制给 AI。