🏷️Speaker Diarization
谁在什么时间说了什么 — 端内AI说话人标签. 免费、私密、无需注册 — 文件永不离开你的浏览器。
每个声音，各归其道。
pyannote + 3D-Speaker 模型在端内给发言片段打标签 — 58 MB 一次，零上传。
58 MB
模型一次下载
首次后缓存
0
上传次数
端内AI
15 min
最长片段
建议桌面端
Free
永久免费
无需注册
Speaker Diarization使用方法
按声音而不是按静音拆分录音：端内模型把每个发言片段标注为说话人1、2、3，生成可复制的时间线。音频永远不会离开你的设备。
- 1拖入音频或视频文件（MP3、WAV、M4A、MP4）。
- 2选择 Auto 或固定2–6个说话人，点击 Label Speakers。
- 3复制时间线，或下载为文本文件。
使用场景
访谈核对
引用前先确认是谁在讲。
会议纪要
把零散笔记变成逐人记录。
播客剪辑
分章节前先找出换人点。
Speaker Diarization能做什么
- ✓逐段标签：说话人1、2、3…的时间线。
- ✓说话人数自动检测或固定2–6。
- ✓完全端内处理 — 音频不出浏览器。
- ✓支持 MP3、WAV、M4A 与 MP4 视频音轨。
- ✓时间线可复制或存为纯文本。
规格
- Speed
- 首次之后每次数秒
- Input
- MP3, WAV, M4A, MP4（最长15分钟）
- Output
- 说话人时间线（.txt）
- Privacy
- 端内模型，零上传
- Cost
- 免费、不限量、无需注册
常见问题
什么是说话人分离？
它回答“谁在什么时候讲话”，而不把音频转成文字。端内模型给每个片段标注说话人1、2、3及起止时间。
我的音频会被上传吗？
不会。所有处理都在浏览器标签页内完成。58 MB 模型包只需下载一次，之后会缓存。
会输出文字吗？
不会 — 输出是时间线而非文字，且适用于任何语言。把同一文件交给 Audio to Text 即可得到谁说了什么的记录。
自动还是固定人数？
不知道人数就用 Auto；知道就固定为2–6。近场麦克风、干净的声音分得最准；超过15分钟的片段会被截断。
更多免费工具
需要更多控制？打开完整视频＋音频编辑器 →这个工具好用吗？