访谈录音转成文字后，怎样核对说话人和时间点？

封面为AI生成的主题示意图，非新闻现场照片。

本文依据官方 API 文档整理，未实测具体转写服务。自动生成的说话人标签和时间点只能帮助定位，不能代替回听原始录音。

访谈音频已经转成文字，准备剪辑或整理成稿时，常见麻烦不是“有没有文字”，而是这句到底是谁说的、时间点是否落在正确位置、嘉宾姓名和数字有没有听错。可以把校对拆成四轮：先核对轮次，再抽查切段时间，接着校对专有名词，最后逐句回听高风险内容。

先分清你要的输出

如果目的是整理访谈稿，需要可读的说话人分段；如果目的是剪辑定位，则需要能回到音频附近的时间点；如果要制作字幕，还要另行检查字幕格式和每行可读性。不同转写模型与响应格式提供的字段不同，不要把“有时间戳”和“能区分说话人”当成同一能力。

OpenAI 文件转写指南当前说明，旧集成中的 gpt-4o-transcribe-diarize 可用 response_format="diarized_json" 返回包含 speaker、start、end 的片段；超过30秒的音频需设置 chunking_strategy="auto" 或 VAD 配置。官方同时标明该模型已弃用，计划支持至2027年2月26日，且不推荐普通文件转写。若你在维护旧集成，应查看官方文档的迁移说明和服务状态，不要将此型号当作长期默认方案。

同一指南对 whisper-1 的说明是：使用 verbose_json 和时间戳粒度参数可取时间戳；这与前述说话人分段模型/格式是不同路径。先按自己的任务选需要的字段，再在返回结果里确认它们真实存在。

四轮校对流程

给发言轮次做标签。先用“说话人 A、说话人 B”这种中性标签，不急着填真实姓名。优先检查开场自我介绍、话题交接、多人同时说话、简短“对”“是”等应答，以及突然变小声的句子。确认身份后再把标签映射到姓名；声线相似或插话混杂时保留待核实标记。
抽查时间点两侧的原声。从转写片段起点前几秒开始播放，听到句子结束后再停。重点抽查相邻说话人交接、长停顿、笑声、打断、重叠发言和背景噪音处。时间点用于找回音频，不等于精确切点；真正剪辑前还要在音频编辑器里确认波形和语义是否完整。
用词表校对姓名和术语。采访前向嘉宾确认姓名写法、公司/产品名称、行业缩写和数字单位，整理成一页词表。逐项搜索转写稿里的近音字和缩写，再回到原声核对。若没有听清，写“[听不清，待确认]”，不要按上下文猜一个看似合理的词。
回听所有会改变含义的句子。逐项核对人名、金额、日期、百分比、否定词、条件、比较对象和直接引语。自动断句可能把停顿误当句号，也可能把两个人的交接拼在一起。整理成通顺稿时可以删重复口头词，但不要悄悄改变观点或把概述改成逐字引语。

准备发布前的检查表

说话人标签是否已通过自我介绍或人工回听确认？不确定的地方是否保留待核实标记？
剪辑位置是否回到原声试听，覆盖了切段点前后，而非只看文本时间数字？
姓名、品牌、数字、否定词、条件和引语是否与录音一致？
删减口头语或整理语序后，是否再次确认没有改变原意？
若使用含说话人标记的服务，是否核实该模型当前仍受支持、所需响应格式和音频长度设置？

隐私与使用边界

上传他人访谈录音前，先确认采访同意、资料用途和服务方的处理条件；涉及未公开业务或个人信息时，按团队要求先脱敏或选择获准的处理方式。模型自动标签不能证明说话人身份，也不能保证每个词、时间点或重叠发言都正确。将稿件用于公开引用前，应由编辑回听关键段并向当事人核实有争议的专名和数字。

官方资料：OpenAI 文件转写、说话人分段和时间戳指南。本文按该页面于2026年10月23日核验；模型支持状态、请求参数、文件限制和账号条件可能更新，实际使用前请以官方文档及账号信息为准。本文未实测具体 API 或转写结果。

如果你还在决定录音转文字还是视频字幕，可继续阅读本站录音转文字与字幕工具选择指南；也可以到AI工具互助论坛说明你的采访流程和整理需求。