长录音转写怎么整理：分段合并、说话人标注与时间戳
长访谈分成几段转写后，同一个人的编号变了，边界附近一句话出现两次，每段时间又都从零开始。文字能读懂，合并稿却很难回查。
把语音识别和转录稿合并分清楚
保留原录音、语音工具设置、原始输出、分段表和修改后稿件。如果语音工具能够可靠处理完整文件，就不必为分段而分段；每个边界都会增加漏句、重复和身份映射工作。
转写前先记录每段的源时间偏移
以虚构录音为例，假设选定的工具或处理方式需要重叠分段：
| 分段 | 源文件区间，秒 | 局部时间起点 | 检查重点 |
|---|---|---|---|
| A | 0–600 | 局部0对应源0 | 初始说话人参照 |
| B | 590–1190 | 局部0对应源590 | 与A重叠10秒 |
| C | 1180–1500 | 局部0对应源1180 | 与B重叠10秒 |
这些只是说明流程的分段长度，不是模型上限或通用最佳配置。可以时在停顿附近切开；重叠便于检查，但不能保证同一句或同一人被稳定识别。
流程允许时可存整数毫秒。B段局部12–15秒，对应源文件602–605秒。这是时间偏移相加，不是重新猜测一句话出现在哪里。
说话人编号需要有依据地映射
speaker_0都对应G1。各段的编号可能独立分配。| 观察 | 处理 | 保留的依据 |
|---|---|---|
| A的speaker_0说了主持开场，已回听核对身份 | 映射G1 | 源位置和核对决定 |
| B的speaker_1与G1在重叠处的已核对发言对应 | 回听后映射G1 | 重叠区间与声音检查记录 |
| C的speaker_0没有可用重叠，存在多个候选 | 暂不映射 | 需要补听的声音参照 |
unresolved_C_speaker_0，不要补一个看起来合理的姓名。多人同时说话时，也不能强行把整个区间归给一个人。应保留不确定性，检查语音工具的底层分段。
合并重叠内容，不误删真实重复发言
两个分段可能对同一句话给出不同转写。先比较全局源区间，再回听边界，选择一份接受的文本，同时保留两条原始记录。
同一句话出现在不同源时间，可能是受访者真的说了两遍。不能只靠文字相似度去重；还需要确认两条记录覆盖的是同一段声音。
一条合并记录可以采用这个格式：
下面用一组虚构原始记录把合并过程走完。时间单位为秒，A、B、C在原录音中的起点分别是0、590、1180。B:speaker_1与G1的对应关系，来自原录音594–598秒的重叠段回听，不是拿后面的B-04当作重叠证据。
| 原始记录 | 区间内时间 | 原录音全局时间 | 说话人与文字 |
|---|---|---|---|
| A-19 | 594–598 | 594–598 | A:speaker_0 → G1；“导入前先检查日期字段。” |
| B-02 | 4–8 | 594–598 | B:speaker_1 → G1；相同文字、同一段声音 |
| B-04 | 12–15 | 602–605 | B:speaker_1 → G1；稍后再次说“导入前先检查日期字段。” |
| C-03 | 6–9 | 1186–1189 | C:speaker_0；“这个版本谁审批？”；身份待核 |
unresolved_C_speaker_0。最终交付包含三个源区间，而不是两个；删除的只是同一发言的一份重复转写。{
"segment_id": "B-04",
"source_start_ms": 602000,
"source_end_ms": 605000,
"raw_speaker": "B:speaker_1",
"global_speaker": "G1",
"speaker_basis": "reviewed overlap reference A-19",
"text": "Check the date field before importing.",
"review_status": "accepted"
}这是带虚构接受决定的参考格式。实际数据中的依据应指向真实核对记录，不能没做检查就照抄“accepted”。
让 AI 提议合并，再检查边界
请整理提供的长录音转录记录。
按分段表把局部时间换算到源文件全局时间。
只使用已批准的说话人映射，不推测真实姓名。
局部编号、源编号、原始文字和全局说话人分别保留。
源区间重叠时，列出去重候选、双方编号和理由。
不同源时间的相同文字不直接删除。
不确定身份或重叠说话保留待核。
返回合并建议、身份疑问、重叠冲突和需要回听的区间。
不补编没听见的词或时间。
输入：分段表、原始转录记录、已批准映射和参照。按EvoLink模型页的Agent或API说明完成这一步文字整理。大任务可以逐组提交相邻分段，维护固定映射表，并检查每个边界。最后生成一段摘要，不能替代完整转录稿。
检查完整性，再交付可回听的稿件
对照源覆盖表和交付片段。静音造成的空隙可能合理，已知有人说话的位置缺记录则需要回听。重点检查每段开始和结束、说话人变化、重叠发言、数字及有歧义的人名。
| 问题 | 正确的下一步 |
|---|---|
| 分段后同一人变成不同全局编号 | 回听检查局部到全局映射 |
| 同一源位置出现两遍同一句话 | 核对重叠候选，接受一条文本记录 |
| 另一位置重复的句子被删掉 | 没有源证据证明重复就恢复 |
| 合并稿B段时间又从零开始 | 加上记录好的分段起点 |
| 姓名看似合理但没依据 | 保留匿名编号和待核项 |
常见问题
说话人分离会识别真实姓名吗？
它区分说话轮次或编号，真实身份需要额外核对依据。
长录音一定要分段吗？
不一定。根据语音工具限制与实际质量决定，不必要的分段会增加合并工作。
相同说话人编号能直接全局复用吗？
需要先确定映射。默认把各段编号作为局部标签处理。
相同文字能自动去重吗？
还要核对源覆盖位置，人可能在不同时间重复相同的话。
多人同时说话分不清怎么办？
保留待核区间并回听，不强行选择单一身份。
合并稿应保留什么？
源文件、片段ID、全局时间、原始编号、已接受身份映射、文字及未解决项。
参考资料
- Amazon Transcribe 说话人分离：上游语音处理。
- EvoLink Gemini 4：文字整理路由，核对日期为2026年10月16日。
