说话人分离是语音识别的重要能力之一，用于在多人对话场景中区分不同说话人，让每一句话都能标注"是谁说的"。当前支持两类产品形态： * **AUC（录音文件识别）** ：适用于已有录音文件的离线识别，提供大模型 SSD 标准版、长音频版\-200（非会议场景）、长音频版\-300（会议场景，效果最优）、声纹匹配版共 4 个版本，可覆盖短音频、长音频、2 人对话、多人会议等场景 * **SAUC（流式语音识别）** ：适用于实时说话+边说边出字的场景，提供流式 SSD（实时分离）、流式 SSD 二遍（更高准确率）、短音频声纹识别（单说话人判定）共 3 个版本各版本适用的音频时长、使用场景和调用方式有所不同，本文档汇总了各版本的核心参数、调用示例与选型建议，帮助您快速匹配合适的说话人分离方案 ## 版本总览 |产品 |版本 |核心参数 |适用场景 |接口 | |---|---|---|---|---| |大模型录音文件识别标准版（AUC） |小模型SSD |`enable_speaker_info=true`

`show_utterances=true` |原说话人分离小模型，不推荐 |任务提交：`https://openspeech.bytedance.com/api/v3/auc/bigmodel/submit`

结果查询：

`https://openspeech.bytedance.com/api/v3/auc/bigmodel/query` | ||大模型SSD标准版 |`enable_speaker_info=true`

`show_utterances=true`

`ssd_version="200"`

`ssd_mode=0`（默认） |短音频（ < 3 分钟）

2人对话、电话录音

单一说话人语音较短场景 || ||大模型SSD 长音频版\-200 |`enable_speaker_info=true`

`show_utterances=true`

`ssd_version="200"`

`ssd_mode=1` |长音频非会议场景（ \> 3分钟）

|| ||大模型SSD 长音频版\-300 |`enable_speaker_info=true`

`show_utterances=true`

`ssd_version="300"` |长音频会议场景

线上会议、录音笔、笔记App

效果最优推荐 || ||声纹匹配版

|`enable_speaker_info=true`

`show_utterances=true`

`ssd_version≥"200"`

`voiceprints: [{id}]`（最多50个） |需精准识别特定说话人身份

客服质检、会议标注姓名

（需先在声纹库中注册声纹，声纹注册方法详见文档：[声纹注册/管理接口](https://docs.volcengine.com/docs/DoubaoVoice/voiceprint-registration-management-api?lang=zh)） || |大模型流式语音识别（SAUC） |流式SSD（nonstream） |`enable_speaker_info=true`

`show_utterances=true` |实时流式识别+说话人分离

默认语义分句，效果好 |`wss://openspeech.bytedance.com/api/v3/sauc/bigmodel_nostream` | ||流式SSD（二遍） |`enable_speaker_info=true`

`show_utterances=true`

`enable_nonstream=true` |流式+二遍更高准确率

VAD分句，延迟 + 40~80 ms |`wss://openspeech.bytedance.com/api/v3/sauc/bigmodel_async` | ||短音频声纹识别

|`enable_speaker_info=true`

`show_utterances=true`

`enable_nonstream=true`

`ssd_mode=2`

`voiceprints:[{id, group_id}]` |**短音频人机对话（单说话人）**

AI认主：玩具、音箱、手机

智能电视、座舱交互

从声纹组中判定主说话人

（需先在声纹库中注册声纹，声纹注册方法详见文档：[声纹注册/管理接口](https://docs.volcengine.com/docs/DoubaoVoice/voiceprint-registration-management-api?lang=zh)） |`wss://openspeech.bytedance.com/api/v3/sauc/bigmodel_async` |

注意

enable_speaker_info=true 是启用说话人分离功能的开关参数；开启 enable_speaker_info 后，必须同时将 show_utterances 参数设置为 true，响应结果中才会返回包含说话人标识（speaker_id）的 utterances 分句列表，否则无法获取到说话人分离结果。下文所有调用示例均已包含该参数，请在接入时务必一并配置

## AUC各版本详细说明 ### 大模型标准版（ssd_version = "200"，普通模式） **版本说明：** * 基于支持说话人分离的400中英文模型，通过模型能力结合 embedding 和聚类实现说话人分离 * 聚类阈值为 1，对于长音频可能聚类出较多 speaker（不适用长音频） **调用方式：** ```JSON { "request": { "enable_speaker_info": true, "show_utterances": true, "ssd_version": "200" } } ``` * `language` 不指定或指定为 `"zh-CN"`（采用默认中英文模型） * `ssd_mode` 不传或传 0 即为普通模式（默认） * **必须同时设置 ** **`show_utterances=true`**，才能在返回结果的 `utterances` 字段中拿到每个分句对应的 `speaker_id` **适用场景：** * 短音频（3分钟以内） * 单一说话人语音较短（<5秒）的场景 * 2人对话场景效果最优 * 5人以内可用性较高 **涉及链路：** AUC 标准版 1.0 / 2.0 标准链路 ### **大模型SSD 长音频版\-200**（ssd_version = "200" + ssd_mode = 1） **版本说明：** * 在 200 版本基础上，通过 ssd_mode 参数切换聚类模式 * 聚类阈值为 5，能够有效抑制长音频聚类出 speaker 过多的问题 **调用方式：** ```JSON { "request": { "enable_speaker_info": true, "show_utterances": true, "ssd_version": "200", "ssd_mode": 1 } } ``` **适用场景：** * 长音频（3分钟以上）非会议场景 * 需要减少说话人数量、合并相近音色的场景 * 线下营销场景（如卖车、卖房，1位销售对多个顾客） **涉及链路：** AUC 标准版 1.0 / 2.0（支持大模型 ssd 的链路均可） ### **大模型SSD 长音频版\-300**（ssd_version = "300"） **版本说明：** * 专为长音频会议场景优化 **调用方式：** ```JSON { "request": { "enable_speaker_info": true, "show_utterances": true, "ssd_version": "300" } } ``` **适用场景：** * 长音频会议场景（推荐优先使用） * 线上会议、录音笔、录音卡、笔记 App 等多人说话场景 **注意事项：** * 短音频仍建议使用标准版本 * 长音频（3分钟以上）非会议场景建议使用长音频版\-200 **涉及链路：** AUC 标准版 1.0 / 2.0 ### 声纹匹配能力（voiceprints） **版本说明：** * 在说话人分离基础上，支持声纹匹配 * 用户先在声纹库中注册声纹，请求时带上声纹 ID，匹配成功的 `speaker_id` 会替换成对应声纹的名称（声纹注册方法详见文档：[声纹注册/管理接口](https://docs.volcengine.com/docs/DoubaoVoice/voiceprint-registration-management-api?lang=zh)） **调用方式：** ```JSON { "request": { "enable_speaker_info": true, "show_utterances": true, "ssd_version": "300", "voiceprints": [ {"id": "声纹ID1"}, {"id": "声纹ID2"} ] } } ``` **适用场景：** * 需要识别具体说话人身份的场景（如客服质检中区分坐席与客户） * 会议中已知参会人身份，需要标注姓名的场景 **限制：** * 需开启说话人分离且 `ssd_version` 大于等于 "200"（200 和 300 版本均支持） * 一次识别请求最多支持 50 个声纹 * 声纹需提前在声纹库中注册 ## SAUC各版本详细说明 ### 流式大模型 SSD（说话人分离） **版本说明：** * 流式链路使用大模型SSD，实时返回带说话人标识的识别结果 * 支持两种流式输入模式：单向流式（nonstream）和双向流式二遍（async） **调用方式：** **接口地址：** * 单向流式：`wss://openspeech.bytedance.com/api/v3/sauc/bigmodel_nostream` * 双向流式二遍：`wss://openspeech.bytedance.com/api/v3/sauc/bigmodel_async`（需开启 `enable_nonstream=true`） ```JSON { "request": { "enable_speaker_info": true, "show_utterances": true } } ``` * `language` 不指定或指定为` "zh-CN"`（采用默认中英文模型） * **必须同时设置** **` show_utterances=true`**，流式结果的 `utterances` 分句中才会携带 `speaker_id` 说话人标识 **分句机制：** * **nonstream 链路未配置 ** **`end_window_size`**：默认使用语义分句，效果好 * **nonstream 链路配置了 ** **`end_window_size`** ** 或双向流式二遍链路**：采用 VAD 分句，`definite=true` 的句子返回时会根据说话人拆分，分成多个 `definite=true` 的句子 **限制与影响：** * 当前最多切分出 10 个说话人 * 开启功能后尾包延迟会有上涨 * 二遍链路尾包延迟增加 40\-80ms **适用场景：** * 实时语音转写场景（如实时会议字幕、直播字幕） * 需要低延迟说话人标注的流式场景 **涉及链路：** 豆包流式语音识别 1.0 / 2.0 上的流式输入模式链路 ### 短音频声纹识别（ssd_mode = 2） **版本说明：** * 面向双向流式二遍链路的短音频声纹识别能力，适用于一句话级别的人机对话场景 * 音频中预期只有一个主说话人，通过传入声纹或声纹组，判定当前说话人属于哪个已注册声纹，满足"AI认主"等场景需求 **调用方式：** **接口地址：** * 双向流式二遍：`wss://openspeech.bytedance.com/api/v3/sauc/bigmodel_async` ```JSON { "request": { "enable_nonstream": true, "enable_speaker_info": true, "show_utterances": true, "ssd_mode": 2, "voiceprints": [ { "id": "", "group_id": "声纹组ID" } ] } } ``` * `voiceprints` 只传一个元素且 `group_id` 不为空时，系统判定为使用声纹组匹配 * 也可直接传入单个声纹 id（不传 `group_id`），进行 1:1 身份验证 * 声纹需提前通过声纹管理接口注册并加入声纹组（声纹注册方法详见文档：[声纹注册/管理接口](https://docs.volcengine.com/docs/DoubaoVoice/voiceprint-registration-management-api?lang=zh)） **适用场景：** * 人机对话场景下的 AI 认主（如 AI 玩具、智能音箱、手机助手、智能电视） * 车载座舱交互，注册主用户身份后区分说话人 * 需要过滤背景人声、仅识别主说话人身份的近场/远场语音交互 * 家庭成员声纹识别，根据不同说话人返回个性化内容 **限制：** * 仅适用于短音频单说话人场景，不适用多说话人分离 * 需开启双向流式二遍链路（`enable_nonstream=true`） * voiceprints 数组仅支持一个元素（单个声纹或单个声纹组） * 声纹及声纹组需提前注册 * 尾包延迟增加 40\-80ms **涉及链路：** SAUC 双向流式二遍链路 ## 版本选择建议汇总 ### 按音频长度 |**音频长度** |**AUC 推荐版本** |**说明** | |---|---|---| |3分钟以内 |`ssd_version="200"`（普通模式） |短音频标准版效果好，单一说话人<5秒也适用 | |3分钟以上（会议场景） |`ssd_version="300"` |长音频会议场景效果最优 | |3分钟以上（非会议场景） |`ssd_version="200" `

`ssd_mode=1` |抑制长音频 speaker 过多问题 | ### 按场景类型 |**典型场景** |**推荐版本/模式** |**理由** | |---|---|---| |电话录音（2人通话） |`ssd_version="200" ` |2人场景，效果最优 | |线上会议 / 录音笔 / 笔记 App |`ssd_version="300"` |多人说话、插话、远场，会议版更适配 | |线下营销（1销多客） |* 推荐一：

* `ssd_version="200"`

* `ssd_mode=1`

* 推荐二：

* `ssd_version="300"`

* 声纹匹配 |只需区分销售与客户两边，声纹可精准识别销售 | |实时转写 / 直播字幕 |SAUC 流式 SSD |需要低延迟实时输出 | |需要标注说话人姓名

|* 推荐一：

* `ssd_version="200"`

* 声纹匹配

* 推荐二：

* `ssd_version="300"`

* 声纹匹配 |提前注册声纹，匹配后 speaker_id 替换为姓名 | |AI认主 / 人机对话（玩具、音箱、手机、座舱） |* `ssd_version="200" `

* 声纹匹配

* SAUC 二遍 |短音频单说话人，通过声纹组判定主说话人身份，99%+ 准确率 | ## 影响说话人分离效果的因素 1. **声音质量**：录音设备、采样率及环境噪声影响清晰度（高质量音频是基础） 2. **说话人特征**：多个说话人音色相似会降低分离准确率 3. **插话/重叠**：声音重叠的说话人当前无法区分；高频短插话容易分离不准 4. **有效语音时长太短**：极短语音片段（<1秒）难以提取稳定的说话人特征

豆包语音