Android中IBM Watson语音转文本API能否自定义说话人标签？

当然可以实现！Watson Speech to Text API本身确实没有直接提供替换默认说话人编号的配置，但我们可以在客户端自己处理识别结果，把speaker 0、speaker 1这类编号映射成自定义的人名，最终输出你想要的对话格式。

具体可以按照这几个步骤来做：

• 第一步：确保已开启说话人分离功能
  先确认你在配置RecognizeOptions的时候已经启用了说话人标签，比如：

  val options = RecognizeOptions.Builder()
      .speakerLabels(true) // 必须开启这个才能拿到说话人编号
      .model("en-US_Multimedia")
      // 其他配置...
      .build()
  

• 第二步：创建说话人编号与自定义人名的映射
  根据你的需求，定义一个映射关系，比如把编号对应到具体人名：

  // 可以硬编码，也可以从用户配置、数据库等动态获取
  val speakerMapping = mapOf(
      0 to "John",
      1 to "Marie"
  )
  

  如果说话人数量不确定，也可以先收集识别结果里的所有唯一speaker ID，再让用户手动分配名字，灵活性更高。

• 第三步：处理识别结果，替换标签并生成对话格式
  在你实现的SpeakerLabelsDiarization回调或者转录结果回调里，把每个片段的说话人编号替换成对应的人名，然后拼接成对话样式：

  override fun onTranscriptionResults(results: SpeechRecognitionResults?) {
      results?.results?.filter { it.isFinal } // 只处理最终识别结果
          ?.forEach { result ->
              result.alternatives?.firstOrNull()?.transcript?.let { transcript ->
                  // 获取当前片段的说话人ID
                  result.speakerLabels?.firstOrNull()?.speaker?.let { speakerId ->
                      // 从映射里获取人名，默认显示"未知说话人"
                      val speakerName = speakerMapping.getOrDefault(speakerId, "Unknown Speaker")
                      // 输出对话格式
                      val dialogLine = "$speakerName: $transcript"
                      Log.d("WatsonSTT", dialogLine)
                      // 这里可以把dialogLine更新到你的UI上，比如RecyclerView或者TextView
                  }
              }
          }
  }
  

这样处理之后，你就能得到John: 今天的会议几点开始？、Marie: 下午两点在三楼会议室这类符合预期的对话输出了。

另外要注意：如果同一段转录文本对应多个说话人片段（比如长句被拆分），你可能需要先按说话人分组，再合并同一说话人的连续文本，避免出现重复的人名标签。

内容的提问来源于stack exchange，提问作者Girley Gonzales