講者分離把音訊拆成「誰說了甚麼」的片段，時間戳則把每一行錨定到準確時刻——兩者合起來回答「誰說」與「何時說」。大多數引擎每次通話都要重新標記講者，或在停頓後便失去身份。Oak 令講者身份跨會議保持一致，並為每一行加上精確到秒的時間戳，讓任何人都能跳到某句引述背後的音訊。
大多數團隊會先問「逐字稿準確嗎？」，然後才問「這句是誰說的、幾時說的？」而後者，才是決定一份逐字稿能否在客戶爭議、審計或記者事實核查中站得住腳的關鍵。準確度給你一份可讀的紀錄；講者分離與時間戳，才給你一份站得住腳的紀錄。
重點摘要
- 講者分離回答「誰」，時間戳回答「何時」。兩者都是獨立於轉錄的工作，而逐字稿要經得起查證，兩者缺一不可。
- 講者分離與轉錄是兩個不同模型。它不理字詞，只追蹤聲紋變化，並須處理重疊發言、插話與聲音相似的講者。
- 大多數引擎在停頓後便失去身份。講者一度沉默再開口，往往會被標記成新的人，令紀錄碎裂。
- 以同意為前提的持續講者記憶可解決問題。Oak 會學習你團隊的聲音、跨會議維持標記，並把新參加者標為「講者」，直至你確認其身份。
- 精確到秒的時間戳令逐字稿成為證據。當有人說「我沒有這樣說過」，你可直接跳到錄音的確切秒數——毋須捲動，毋須人手定位。
甚麼是講者分離？
講者分離是把音訊拆成「誰說了甚麼」片段的工作。它與轉錄並行，但屬另一個模型：它不在乎字詞，只在乎聲紋變化——那個把一位講者與另一位區分開來的聲學特徵。良好的講者分離能處理發言重疊、短暫插話，以至在不同裝置錄下、聽起來相似的聲音。它的輸出，正是令逐字稿能把每一行歸屬具名人物、而非匿名「講者 1」的關鍵。
為何大多數引擎會弄錯講者身份
兩種失誤十分常見，而且都會削弱紀錄的可信度：
- 跨通話身份外洩。部分講者分離工具會未經許可就在不同通話之間套用同一身份，實際上等於在本應互相隔離的會議之間共用聲紋資料。
- 沉默後失去身份。當講者沉默超過一分鐘再重新發言，不少引擎會把他標記成全新的人——於是一位參加者被拆成兩、三個標籤，紀錄隨之碎裂。
Oak 如何處理講者識別
Oak 的持續講者模型（現稱 Voice Memory）以工作區為範圍：它在取得同意下學習你團隊的聲音，並跨會議維持標記。毋須每次通話重新標記，因此經常出現的參加者能一次又一次被認得。當有新參加者加入，他會被標為「講者」，直至你確認其身份。最重要的是，聲紋只留在你的工作區內，永不會用於訓練共用模型——那些令你的逐字稿有價值的講者身份，不會變成別人的訓練資料。這與以工作區為範圍的術語集背後，是同一套隔離原則。
為何引用級時間戳如此重要
Oak 逐字稿的每一行都精確到秒附時間戳。當有人爭議「我沒有這樣說過」，合夥人、記者或合規人員可直接跳到該確切秒數的音訊——毋須捲動，毋須人手定位。這正是把逐字稿由「粗略筆記」提升為「證據」的機制，也是時間戳並非裝飾功能、而是審計軌跡骨幹的原因。在雙語程序中，官方紀錄需要兩種語言都完整無缺，而同一套秒級錨定，讓檢閱者能就任何一行核對原始音訊。
講者分離與時間戳：一般引擎與 Oak 的比較
| 功能 | Oak | 一般引擎 |
|---|---|---|
| 跨會議的講者身份 | 學習一次，跨會議保持一致（已取得同意） | 每次通話重新標為講者 1、2、3…… |
| 講者停頓後重新發言 | 重新對應回同一身份 | 往往被標記成新的人 |
| 新參加者 | 標為「講者」，直至你確認 | 悄悄自行指派身份 |
| 聲紋資料 | 只留在你的工作區；永不訓練共用模型 | 可能跨會議共用，或用於訓練共用模型 |
| 時間戳精確度 | 每一行都精確到秒 | 約略，僅到段落層級 |
| 爭議處理 | 由任何一行跳到背後的確切秒數 | 要人手捲動尋找該時刻 |
這項功能的應用場景
最明顯是法律與法定機構部署，當中音訊軌跡必須站得住腳——會議紀錄會成為個案或公開紀錄的一部分，而有爭議的一句話必須能在幾秒內對照原始音訊核實。
Oak 法律界方案
採用本文所述流程的實際客戶部署。
常見問題
轉錄與講者分離有何分別？
轉錄把說話化成文字——處理字詞。講者分離把音訊拆成「誰說了甚麼」的片段——處理講者。兩者是不同模型：轉錄在乎字詞，講者分離只在乎聲紋變化。逐字稿需要兩者兼備，才能把每一行歸屬具名人物，而非匿名「講者 1」。
為何我的轉錄工具不斷把同一位講者重新標記？
因為不少講者分離工具在停頓後便失去講者身份。當有人沉默超過一分鐘再加入發言，引擎會把他標成新的人，於是一位參加者被拆成幾個標籤。Oak 以一致、且以同意為前提的講者身份，跨整場會議與跨會議維持標記，避免這個問題。
Oak 如何令講者身份跨會議保持一致？
透過以工作區為範圍的講者模型：它在取得同意下學習你團隊的聲音，並由一個會議延續到下一個——毋須每次通話重新標記。新參加者會標為「講者」直至你確認，而聲紋只留在你的工作區內，永不用於訓練共用模型。
「引用級」或「精確到秒」的時間戳是甚麼意思？
意思是逐字稿的每一行都錨定到錄音中的準確秒數，讓你點擊任何一行即可直接跳到該時刻的音訊。當某句陳述受爭議，檢閱者可在幾秒內對照原始音訊核實，毋須捲動或人手定位——這正是令逐字稿可作證據使用的關鍵。
時間戳與講者標註，足以構成法律或審計紀錄嗎？
它們是基礎。秒級時間戳加上一致的講者歸屬，讓合夥人、審計師或合規人員可把任何一行追溯回原始音訊——這正是令逐字稿成為證據、而非僅是筆記的關鍵。至於完整可供審計的流程，還取決於你自己的資料保留與存取政策，應對照你的監管責任加以確認。