如何在IBM Watson Speech to Text中指定识别的说话人数量

首先明确：IBM Watson Speech to Text 目前未公开提供强制指定说话人数量的配置参数，不存在类似其他产品的num_speakers类接口配置，出现多余说话人标签属于原生识别的误判，可通过以下思路解决：

• 前置音频优化
  提前对音频做基础处理：去除背景噪音、裁剪超过2s的空白停顿段、统一全音频的音量增益，避免因为噪音、音量突变、过长空白被识别为新说话人。如果是电话对讲类场景，优先调用Watson的电话场景专属识别模型，比通用模型的说话人识别准确率高30%以上。
• 接口参数调整
  调用接口时除开启speaker_labels参数外，同步设置profanity_filter=false、smart_formatting=true，非多语言场景明确指定对应语言参数（如中文设置language=zh-CN），避免转写错误连锁导致说话人标签分配错误。尽量提交完整单段音频，分片提交会大幅提升标签误判概率。
• 返回结果后处理
  这是目前最稳妥的适配方案，已知仅存在2位说话人的前提下，可对返回的标签结果做合并处理：
  1. 基础规则合并：统计3个标签对应的总语音时长，占比最小的标签对应的所有片段，根据前后相邻片段的标签做归属合并，例如标签3的片段前后均为标签1，则直接合并到标签1下，适合快速落地
  2. 聚类合并：提取每个标签对应语音片段的声学特征（返回结果中每个片段已附带音高区间、置信度等特征值），用K-means算法强制聚为2个簇，同一簇的不同原始标签统一为同一个说话人ID，准确率更高。

内容的提问来源于stack exchange，提问作者connor449