上周四晚上，我把一段 2 小时的双人采访拖进 Audacity，准备按说话人切成两条音轨。切到第 40 分钟的时候，我盯着波形图上密密麻麻的选区，第一次产生了"要不这期不发了"的念头。慢。真的太慢了。手动找到每一个说话人切换的点，听一遍、标记、裁剪、再对齐，两小时素材我折腾了一整晚。
我去翻那些号称"自动分说话人"的工具，好家伙，大多数只给你一段带时间戳的文本：00:12:34 - 00:15:02 Speaker A。可我要的是音轨文件啊。你告诉我"谁在什么时候说话"，最后不还是得我手动去剪？说白了，这类工具只做了"检测"，没做"分离"。
后来在 V2EX 上刷到一个帖子，作者自荐了一个叫 Seply 的网页工具。一句话说清楚：把混合录音扔进去，它自动按说话人拆成几条独立的音轨，时间对齐，直接下载 WAV。不用装软件，不用手动剪，网页上全搞定。
项目地址：https://seply.org
我第一次用的时候还闹了个笑话。打开网页，直接把 .wav 拖进上传区，结果页面弹出来一句 Sign in to upload a recording——得，免安装是免安装，登录还是要登录的。注册完再传，这次老实了。它让我选自动检测还是手动标记，我选了自动，然后就看着进度条转。
等了几分钟，结果出来了：两条音轨，Speaker 1 和 Speaker 2，波形图清清楚楚。我点开 Speaker 1 试听，咦，居然真的只剩一个人的声音了，背景里另一个人的声音被"抠"得干干净净。下载下来是 WAV，丢进剪辑软件就能直接用。说实话，这块的 AI 原理我也没完全搞懂，大概就是先识别声纹特征、再做音频分离那一套，细节可能有出入——有懂的大佬欢迎指正。
不过槽点也得说。第一，免费额度只有 30 credits，我这一条 2 小时的音频就用掉大半，想长期用就得订阅，Starter 档 12 美元/月。第二，上传上限 1GB，超长播客或者高码率视频会卡在门口。第三，它只输出 Speaker 1、Speaker 2，不会智能到帮你标出"这是老王，这是小李"——名字还得你自己认。
还有个小问题，网页处理大文件不是实时的，我传完等了大概五六分钟才有结果。你要是赶着发布，得提前算好时间，别指望它秒出。
反正我的结论是：如果你只是偶尔剪一期采访、一期播客，这玩意真的能救命，把最折磨人的分轨环节从一晚上压缩到几分钟；如果你天天剪，12 美元/月换掉两小时手工活，值不值你自己算。我已经把它存进书签了，下期采访录完直接丢给它。
对了，如果你更想自己折腾开源方案，可以看看 Deezer 的 Spleeter（人声/伴奏分离）和 PyAnnote（说话人分离的 Python 库），就是得配环境，没这个网页工具省事。
好了，我去把上周那期采访重新剪一遍，回见。
