你说的这种不用提前给每个说话人录样本、直接从多人对话里自动把文本归类到不同说话人的需求，对应的是**无监督说话人分离（Unsupervised Speaker Diarization）**技术——这绝对是可行的，只是正如你发现的，准确率确实比有预训练样本的有监督模式要低一些，毕竟模型没提前学习过每个人的声纹特征。

下面给你梳理下相关的情况和优化方向：

• 可用工具与平台
  除了你提到的IBM Watson，像Google Cloud Speech-to-Text、Amazon Transcribe都自带无监督的说话人分离功能；开源领域的话，Pyannote.audio是目前比较流行的选择，WeSpeaker也有对应的无监督模块。不过不同工具的表现差异不小，比如Pyannote在公开数据集上的准确率还不错，但需要自己部署和简单调参，适合有技术能力的场景。

• 提升准确率的实用技巧

  • 优先保证对话环境的安静度：背景噪音是无监督分离的头号干扰项，会严重影响模型提取声纹特征的准确性，尽量在安静的空间录制对话。
  • 尽量延长对话时长：如果对话能达到几分钟以上，模型能捕捉到每个说话人更多的语音片段，准确率会有明显提升——短片段的声纹特征太有限，模型很难区分。
  • 结合语义辅助修正：可以先把对话转写为文本，利用上下文语义（比如同一个人连续发言的内容关联性更强）手动修正模型的归类错误，这能补上不少准确率的短板。

• 关于准确率的合理预期
  无监督方案的准确率肯定打不过有监督模式（比如提前录20秒样本的情况），尤其是当说话人声音特征接近（比如同年龄段同性别的人）、对话中有重叠发言时，错误率会上升。但如果你的场景只是需要大致区分说话人归属，而非司法级别的精准识别，现有工具完全能满足需求。

内容的提问来源于stack exchange，提问作者Joshua Frank