转写出来的不是一坨字，而是带名字的对话稿！把 45 分钟采访一键切成对话稿？Whisper 加 Pyannote 这套流水线开源了

大白话简单说，就是给播客、采访、会议录音做「带名字的字幕」。第一步用 Whisper Large-v3 把声音转成文字，还精确到每个词的时间点；第二步用 Pyannote 算出每段声音属于哪个人，把「Speaker 1」「Speaker 2」贴上去。这样出来的不是一大坨文字，而是能直接读的对话稿。作者还专门处理了 WhatsApp 语音条那种 .opus 格式，以及给视频导出 .srt / .vtt 字幕。

对你意味着做播客、采访、短视频字幕的人可以直接抄这套思路；写代码的还能通过 MCP 把转写能力接进 Cursor 或 Claude Desktop。