一场6人小组访谈，4位面试官、2位候选人，追问环节的平均语音重叠率达到22%。把12款热门录音应用放进这样的模拟场景，说话人标注准确率出现了明显下滑。

打开网易新闻 查看精彩图片

问题不在于这些应用没有这项功能。几乎所有产品都在描述里标注了可识别的说话人数量上限，数字从4到16不等。但这些指标普遍采集于受控环境：安静房间、无重叠发言、说话人之间留有2秒以上停顿、标准美式英语口音。

真实的小组访谈很难满足其中任何一条。常见的失效方式有三种：短促的插话被归到错误的人头上；音域相近的两位说话人被合并成同一个标签；同一人在90分钟录音的不同片段里被记成多个重复条目。

筛选功能好用与否，取决于操作路径

说话人分离的核心价值，是按单个说话人查看对话，或在多人之间做对比。不少应用宣称支持这一能力，实际实现方式却给访谈复盘添了额外工作量。

有的应用要穿过三层以上菜单才能进入按说话人划分的转写文本，筛选控件不与正文并排显示。有的不支持多选说话人，想对比两位面试官的一来一回，只能在独立视图之间反复切换。

以 Meetingminutes APP 为例，其说话人筛选界面同时支持单人口径隔离与多人同时查看，控件直接放在转写文本上方。对于每周要复盘3场以上小组访谈的用户，多出来的导航步骤每场会累计增加10到15分钟的复盘时间。

被忽略的环境变量

评估录音应用时，用户往往只盯着标注的说话人数量，忽略直接影响表现的环境与场景因素。在共享办公空间里开着暖通空调背景噪音进行访谈，或用笔记本扬声器配远距离麦克风收音，即便是在实验室测试中得分很高的应用，说话人标注准确率也会下降25%到30%。

缺少手动修正说话人标签工具的应用，会让用户没有办法纠正归错的行，按说话人查看对话的功能也就无法用于正式记录。

还有一类问题出在同步上：说话人筛选与音频播放没有打通。选中某位说话人的转写文本，播放不会跳到对应的音频片段，用户只能手动在长录音里来回拖动查找。工具能力与使用场景需求之间的错位，常常来自按罗列出的指标评估功能，而不是按真实的小组访谈条件去检验。