内容创作

语音转写工作流:会议/播客转文字,带说话人分离

用 AI Agent 把会议、播客、访谈的音频转成文字,并自动分离说话人,一条链走到结构化纪要——不用手工听打、不用来回切工具。

语音转写工作流:会议/播客转文字,带说话人分离

本文中的工具名仅供参考,实际工具可能已更新或更名。实施时请以工具市场中的最新工具为准。

本文要点

  • 一句话把音频转成文字,带说话人分离
  • 转写与分离一条链,直接产出结构化纪要
  • 纯转写与转写+分离按场景选型

本文用到的工具

为什么音频转文字这么费劲

一场一小时的会议、一期播客、一段访谈录音,想把它变成可检索、可引用的文字,传统做法基本靠人工听打:反复倒带、辨认是谁在说话、再手动整理成纪要。耗时不说,多人对话里"谁说了哪句"最容易混,整理出来的稿子往往分不清发言人,后续做摘要、追责任、提取待办都打折扣。

真正的难点有两层:一是转写本身要准、要跟得上口语和专业词;二是说话人分离(diarization),即把"这段是 A 说的、那段是 B 说的"标出来。把这两件事接成一条链,交给连上语音工具的 AI Agent,就能把"听一小时、整理半天"压缩成一句话的操作。

这个工作流分四步

  1. 给 Agent 音频:上传或给出录音链接。
  2. 转写成文字:用转写类工具把语音转成文本。
  3. 分离说话人:标出每段话由谁说,形成带发言人的逐字稿。
  4. 生成结构化纪要:让 Agent 把逐字稿整理成摘要、决议、待办。

每一步怎么做

第一步:把音频交给 Agent

把录音文件或可访问的音频链接给 Agent,并说清楚你要什么——只要逐字稿,还是要带发言人标注的纪要。

用 ae 转写 example.com/audio.mp3 这段录音,并告诉我每句话是谁说的

第二步:转写成文字

日常转写用通用语音转写类工具(如 ae_whisper),把语音转成连续文本。它适合单人口述、旁白、不需要区分发言人的场景,速度快、覆盖语言广。

用 ae 调用 ae_whisper 把这段音频转写成文字

第三步:分离说话人

多人会议、访谈、圆桌这类需要区分"谁说了什么"的场景,用带说话人分离的转写类工具(如 ae_deepgram_post_listen_transcribe)。它在转写的同时把文本按发言人切块,输出形如"发言人 1 / 发言人 2"的逐字稿,省去事后手工辨认。

用 ae 调用 ae_deepgram_post_listen_transcribe 转写并分离说话人

第四步:产出结构化纪要

有了带发言人的逐字稿,让 Agent 直接接着做下游处理:按发言人汇总观点、抽取决议和待办、生成一段摘要。整条链在一次对话里走完,不用把文本在工具间搬来搬去。

用 ae 把带发言人的逐字稿整理成决议和待办事项

纯转写 vs 转写+分离,按场景选:

场景 推荐方式 产出
单人口述 / 旁白 / 字幕 纯转写(如 ae_whisper) 连续逐字稿
多人会议 / 访谈 / 播客 转写+分离(如 ae_deepgram_post_listen_transcribe) 带发言人的逐字稿
纪要 / 摘要 / 待办 分离后交给 Agent 做下游整理 结构化纪要

怎么开始

  1. 注册——新用户赠送 1,000 积分。
  2. 在 WorkBuddy、Trae 这类 Agent 里搜 "AgentEarth" 端内连接;或把一行 MCP 配置粘进 Claude Code / Cursor / VSCode。
  3. 把音频交给 Agent,用自然语言说清要逐字稿还是带发言人的纪要。

常见问题

支持说话人分离吗? 支持。用带分离能力的转写类工具(如 ae_deepgram_post_listen_transcribe),它会在转写时把文本按发言人切块,输出带"发言人 1 / 发言人 2"标注的逐字稿。

支持哪些语言? 通用语音转写类工具(如 ae_whisper)覆盖的语言较广,英文等主流语言尤为稳定;具体语种以所选工具的说明为准。

有时长限制吗? 不同工具对单段音频的处理时长有各自约束。较长的录音建议先分段再转写,或按工具说明处理,可获得更稳的结果。

浏览工具 · 接入指南