开完会最让人崩溃的瞬间，不是没纪要，而是打开AI纪要，看见满屏的"发言人1""发言人2"“发言人3”。
那句"预算要再确认"明明是老板说的，纪要里却记在了"发言人3"头上；同事明明全程只开口了一次，屏幕上却出现两个不同的发言人。最近小红书上一条求推荐会议录音软件的帖子拿到几百赞，楼主列的功能需求里有一句格外真实：“能区分不同人声最好了”。小红书很多人的第一反应是：这工具转写不准。其实冤枉它了。今天想跟你聊明白一件事：多人会议分不清"谁说的"，大多数情况下不是工具没听清，而是一个到今天都没被完全解决的问题。
“说了什么"和"谁说的”，根本是两套系统
先澄清一个常见误解：绝大多数AI纪要工具里，转文字和认人，是两个模块在干活。
语音识别（ASR）只管把声音变成文字；而每段话前面的"发言人1"“发言人2”，来自另一项叫"说话人分离"的技术：系统先把录音切成一个个小片段，从每个片段里提取声音特征（可以理解为"声纹指纹"），再做聚类，把特征相似的片段归到同一个发言人名下。
也就是说，一份多人会议的逐字稿，其实是两套结果拼起来的：一套是"说了什么"，一套是"谁说的"。任何一环出错，最终稿都会乱——文字可能全对，归属却全错。知乎
那归属为什么会错？最近技术圈专门有人把这事拆开讲过，归纳下来，经常栽在这五个地方：
1）一个人被拆成两个人。有人说话时转头、后仰、走到会议室另一侧，离麦克风的距离和角度变了，录到的声音特征跟着变，系统以为"来了个新人"，把一个人拆成两个编号。
2）两个人被合成一个人。两位参会者音色接近、说话节奏相似，或者录音质量本身较差，系统可能把俩人归到同一个名下。
3）短句天生吃亏。全程只说"可以"“没问题”"我补充一下"的人，能提供声音信息太少，判断容易飘，一会儿被归给发言人A，一会儿归给B。
4）最麻烦的是抢话。两个人同时开口，麦克风收到的是混合信号，系统通常只有四种结局：只保留声音大的那个；把两个人的声音当成一个"新发言人"；文字转出来了但分不清归属；或者干脆认定这段质量差，直接丢弃。会议里讨论最激烈的部分，恰恰是纪要失真最严重的部分。知乎
5）声纹自动对名字，也不稳。有的工具支持提前录入声纹、自动匹配姓名，但注册时手机近场录音、开会时会议室远场收音，信道差别很大，感冒、嗓子哑也会影响匹配。阈值调低了，声音像的人被认错；调高了，录过的人也经常匹配不上。
比较稳妥的做法，也是现在多数工具的实际形态：先给你"发言人1/发言人2"的编号，再由人工把编号对应到具体人名。
最强的模型今天能到什么程度？答案可能让你失望
今年夏天，这个领域确实有实打实的进展。
8月中旬，复旦OpenMOSS团队的MOSS-Transcribe-Diarize技术报告在技术圈被讨论。它的思路和传统做法很不一样：不再走"先切片、再转写、再聚类、再对齐"的流水线，而是把整段音频一次性喂进去，模型直接输出"谁在什么时间说了什么"，最长能一口气处理90分钟的会议。
成绩确实能打：按报告的说法，它在多个多人会议、长访谈公开基准上超过了GPT-4o、Gemini 2.5 Pro等商业系统。知乎
但更值得你记住的是另一个数字：这个级别的模型，在多人会议基准AISHELL-4上的字符错误率仍有14.84%，算上说话人归属错误还会更高。知乎也就是说，今天公认最强的开源模型，放到多人会议场景，大约每六七个字就有一处需要人工过一遍。你每天用的那些商业产品，到了复杂多人场景，本质上同样离不开人工核对。
这不是哪家产品不努力。技术分析里有句话说得很实在：在会议现场，人能靠语气、座位、上下文判断是谁在说话，算法只能靠那一条音轨。知乎所以"全自动认人"这个期待，暂时可以放下了——目前没有产品配得上这样的宣传语。
好消息是，开源这边追得很快。除了MOSS，OddASR、Meetily、Hyprnote这类本地开源工具今年接连更新，说话人分离、热词纠正、本地部署都成了标配，录音和转写可以留在自己电脑里——对涉密会议来说，这条路值得单独关注。知乎
换工具还是买硬件？先问自己四个问题
那到底该怎么办？先别急着下单录音卡，也别急着换工具，问自己四个问题：
第一问：是只会拆成A/B/C，还是能辅助你标到人名？拆开只是第一步，真正费时间的是把A/B/C对应到具体的人。比如开源工具Hyprnote的转写面板，每段话直接按发言人名字标注，这就是"能辅助标人名"的样子。如果一个工具只能拆、不能在命名上帮你省力气，纪要可读性会好一点，但你的会后整理成本未必真的降。
第二问：同一批人下次再开会，要不要从头再标一遍？这是"能用"和"好用"的分水岭。有的方案支持跨会议复用声纹，第二场会就明显省力；有的每场会都从零开始，再强的分离能力也会被周会磨没。
第三问：标错了之后，纠错顺手吗？现实的工具都应该允许合并、拆分发言人，而不是让你对着一屏"发言人7"干瞪眼。
第四问：插话多的场景表现如何？别只读官网介绍，拿两类会实测：一类是固定几个人反复开的内部例会，一类是插话多、角色复杂的外部会议。看第一次标注花多久、第二次是否明显省、吵的场景里能不能回到某个发言人的原话。知乎
如果你的会议以线上会为主，优先考虑生态：飞书妙记的会议自动生成、声纹识别等核心功能都需要在飞书生态内使用，对已经在用飞书的公司来说，它是绕路最少的选择。知乎钉钉、腾讯会议也各有平台内原生方案。在自己公司已经用的生态里选，远比跟风买独立硬件靠谱。
五个习惯，把"认人"难度降在源头
工具能力有限，但你有办法把输入做得更好。这几条的本质都一样：给算法喂更好的信号。
录音设备放得离主说话人近一些，或者放在会议桌中间。距离和朝向的变化，是一个人会被拆成两个的最大原因。
工具支持指定说话人数量时，提前报数。给算法一个明确的分组数，比让它自己猜要稳。
会议开头花30秒让大家自报家门，或主持人在分工时点名。这等于给系统现场喂了一份"声纹答案"，后面纠错效率翻倍。
散会后趁记忆还热，花3分钟完成命名。把发言人编号逐一对应到人，别拖到第二天翻录音。
重要决议别只信归属，回逐字稿核一遍原话。尤其是"谁负责、什么时候完成"这类承诺句。
最后，说回预期
说话人分离这条线正在肉眼可见地爬坡：端到端模型开始解决长会议里的"身份漂移"，开源在把成本打下来，硬件阵列麦克风在改善信号源头。但此时此刻，对它的合理预期仍然是"辅助+复核"——让工具干分段、初标的重活，把"谁说了什么"的最终确认留给自己。
下次再看到满屏的"发言人2"，不用骂转写不准，也不用怀疑自己的耳朵。你现在知道了：那是这项技术现阶段的成长期。
