如何借助Google Cloud语音转文本服务获取说话人切换时间戳？

核心思路 #

利用Google Cloud Speech-to-Text的**说话人分离（Speaker Diarization）**能力，直接获取带说话人标签的时间片段，无需手动遍历每个字词判断切换点，既高效又能保证准确性。

1. 配置长音频识别请求 #

调用longrunningrecognize接口时，必须在请求参数中开启说话人分离配置：

• 设置diarizationConfig.enableSpeakerDiarization = true
• 可选配置minSpeakerCount和maxSpeakerCount（根据音频中预估的说话人数量设置，能提升识别精度）
• 确保音频格式符合要求（推荐FLAC、WAV等无损格式，采样率16kHz以上）

2. 解析识别结果获取说话人片段 #

接口返回的识别结果中，每个Word对象包含speakerTag（说话人标签，从1开始）、startTime和endTime。只需遍历结果，合并连续相同speakerTag的字词，即可得到每个说话人完整的音频片段时间范围：

• 初始化当前说话人标签、片段起始时间
• 遍历每个字词：
  • 若当前字词的speakerTag与之前一致，更新片段结束时间为该字词的endTime
  • 若speakerTag变化，保存上一个说话人的片段（起始时间+结束时间+标签），并重置当前说话人信息
• 遍历结束后保存最后一个片段

3. 切割音频文件 #

使用ffmpeg工具根据获取到的时间片段切割原音频，命令示例：

# 切割说话人1的片段，从10.5秒到25.3秒
ffmpeg -i input.wav -ss 10.5 -to 25.3 -c copy speaker_1_segment_1.wav

批量处理时可编写脚本（比如Python）自动生成所有切割命令。

优化建议 #

• 过滤低置信度片段：若字词的confidence低于阈值（比如0.8），可忽略该部分，避免错误的说话人标签影响分割
• 音频预处理：若原音频有背景噪音，先通过降噪工具（如Audacity、FFmpeg的降噪滤镜）处理，能提升说话人分离的准确性

内容的提问来源于stack exchange，提问作者jeanmw