核心主題：逐字稿說話者辨識、人物標記、講者分段、語音轉文字、TXT 逐字稿匯入、SRT 字幕匯出

在多人會議、訪談、Podcast 或線上課程中，錄音通常不難，真正耗時的是整理逐字稿：不只要校對文字，還得反覆回聽，確認每一句是誰說的。只要講者一多，沒有姓名與時間軸的長篇文字就很難閱讀，也不方便後續搜尋、引用或製作字幕。

Taption 說話者辨識可將多人對話依講者分段，再把「Speaker A、Speaker B」改成實際姓名，讓逐字稿清楚呈現誰在什麼時間發言。本篇將示範如何匯入影音與既有 TXT 文字稿、設定講者人數、完成人物標記，最後匯出逐字稿或字幕檔。

說話者辨識與人物標記有什麼不同？

說話者辨識（Speaker Diarization）處理的是「誰在什麼時候說話」：系統依聲音特徵把音訊切成不同講者的片段。人物標記則是後續整理步驟，把系統產生的暫時標籤替換成主持人、受訪者或真實姓名。

• 說話者辨識：自動區分多人聲音並依講者分段
• 人物標記：將 Speaker A、Speaker B 改成 Amy、Steven 等實際名稱
• 時間軸對齊：讓每段文字對應正確的音訊或影片位置
• 結構化輸出：保留講者脈絡，方便會議紀錄、訪談引用與字幕製作

若手上只有連續文字，可先使用逐字稿人物標記流程，讓 Taption 依原始影音重新對齊文字並區分講者。開始前請準備原始影音檔、內容相符的 TXT 逐字稿，並先確認大約有幾位主要發言者。

Step 1：匯入錄音或影片檔

登入 Taption 後，從檔案頁上傳要處理的錄音或影片。建議使用聲音清楚、背景噪音較少的原始檔；若多人同時搶話或音量差距過大，系統仍可能需要人工確認講者歸屬。

需要從零產生文字時，也可以直接使用影音轉逐字稿功能；本篇則以「已有 TXT 逐字稿，希望自動加上講者與時間軸」的情境為例。

Step 2：選擇語言並匯入 TXT 逐字稿

檔案上傳後，先選擇錄音中的主要語言。接著在「文字生成方式」選擇「匯入 TXT 文字檔案」，並上傳與影音內容相符的純文字稿。TXT 的段落不必先標示姓名，但文字順序應與錄音一致。

開啟 AI 講者分段並設定人數

在「文字分段方式」中選擇「AI 標記講者並按不同說話的人分段文字」，再設定影片中的說話總人數。人數設定越接近實際情況，系統越容易維持一致的講者標籤。

• 以主要發言者為準，短暫插話者可在完成後人工調整
• 音訊中若有旁白、主持人與來賓，請分別計入講者人數
• 先確認語言與 TXT 內容正確，再開始處理，可減少後續重做

Step 3：校對逐字稿並替換講者姓名

轉錄完成後，先播放幾個不同段落，確認文字、時間軸與講者切換是否一致。點選講者標籤，即可把系統產生的發聲者名稱改成 Amy、Steven、主持人或受訪者等實際身分；同一講者的其他段落也能以一致名稱呈現。

校對時優先檢查這三類片段

• 兩位講者快速交替或彼此重疊的段落
• 背景音、遠端連線或音量突然改變的位置
• 片頭、片尾旁白，以及只短暫出現的發言者

說話者辨識的重點是先建立可用的初稿，再由熟悉內容的人做最後確認。姓名、職稱與專有名詞都應在匯出前校對，避免錯誤沿用到會議紀錄或正式字幕。

Step 4：匯出逐字稿或字幕檔

完成文字與人物標記後，開啟匯出選單，依用途選擇 TXT 等逐字稿格式，或匯出 SRT 字幕檔。若下一步要把內容放回影片，可使用自動上字幕工作流程繼續校對、翻譯或輸出影片。

• TXT：適合會議紀錄、訪談整理與內容引用
• SRT：保留字幕文字與時間碼，適合影片平台或剪輯流程
• 匯出前：再次抽查講者姓名、文字內容與時間軸

常見問題：如何讓說話者辨識結果更好？

講者人數一定要完全正確嗎？

建議填寫實際的主要講者人數。若不確定，可先計算整段內容中持續發言的人；只在開場短暫出聲的人，可視內容重要性決定是否納入，並在完成後人工修正。

匯入 TXT 後，還需要校對嗎？

需要。TXT 解決的是文字來源，AI 還要把文字對齊音訊並判斷講者切換。重疊發言、背景噪音與遠端收音都可能影響結果，因此正式交付前仍應抽查。

哪些情境最適合使用人物標記？

多人會議、研究或客戶訪談、Podcast 對談、線上課程與座談會都很適合。清楚的講者標籤能讓讀者快速追蹤對話，也方便團隊搜尋決策、引用發言，或把逐字稿繼續製作成字幕。

結語：先分清誰在說話，再整理逐字稿

逐字稿說話者辨識能把連續文字整理成有講者、有段落、有時間軸的內容。依序完成影音匯入、TXT 上傳、AI 講者分段、人物命名與格式匯出，就能建立更容易校對與使用的逐字稿。

如果你經常處理會議、訪談或 Podcast，可直接體驗 Taption 的說話者辨識流程；先用 AI 建立結構化初稿，再由熟悉內容的人完成最後校對，會比從頭手動標記更適合持續性的影音工作流程。