外婆八十大寿那天，小明用录音笔悄悄录下了整个聚会。本想着整理成一本文字纪念册，可一回家他就犯了难：爷爷的祝酒词、姐姐的笑声、表哥的吹牛，全挤在一条音轨里，像一锅炖得太烂的八宝粥，根本分不清哪一勺是哪样。这就是多说话人分离要解决的问题：一段录音里有好几个人同时说话时，让 AI 听清“谁在什么时候说了什么”。这项技术也叫说话人日记化。一个成熟的整理系统要做三件事：先判断录音里有几位说话人，好比耳朵一听就能分辨桌上坐着哪几位亲戚；再给每个人的声音建立独一无二的“嗓音指纹”；最后把每一句话归到对应的人名下。这篇文章就顺着“整理家庭聚餐录音”这条线索，从任务定义、声纹特征讲到聚类分离、端到端模型、排列不变训练，再到真实会议场景的工程优化，让零基础的你也能建立清晰的直觉。
多说话人分离是会议转写、访谈整理、播客字幕等语音产品的“分人”底座。掌握它的原理与工程要点，你就能让产品从“说了什么”升级到“是谁说的”，直接提升用户体验与岗位竞争力。
目录
可视化演示
展示说话人日记化的时间线分段、说话人嵌入聚类分离与排列不变训练(PIT)的排列匹配过程，切换模式查看核心技术。
本节配有交互动效（进入视口后自动加载，约 3KB）。
说话人日记化时间线 不同颜色代表不同说话人，时间线上分段标注谁在何时说话 DER=FA+MS+Conf DER是说话人日记错误率的综合指标
任务定义——先弄清“有几位亲戚在说话”
外婆八十大寿的聚餐录音，小明用录音笔记录了整个晚上。回到家里想把它整理成文字纪念册时，他愣住了——爷爷低沉的祝酒词、姐姐清脆的笑声、表哥沙哑的吹牛，全都挤在一起。他做的第一件事不是抄写，而是先分辨“这段录音里到底有几位亲戚在说话、分别在什么时间段开口”。
这个“先分人、再听说什么”的思路，就是说话人日记化（Speaker Diarization），也叫多说话人分离。它要回答的问题非常明确：给定一段可能包含多人说话的音频，输出“谁在什么时候说了话”。注意，它本身不负责把语音变成文字，那是语音识别（ASR）的职责；日记化只负责把混在一起的“人”拆开。
形式化地说，输入是一段任意时长的音频 X，输出是一串三元组：说话人编号、片段开始时间、片段结束时间。评价系统的核心指标是说话人错误率（DER），它把“把 A 的片段标成 B”和“漏掉一段语音”都算进错误，再除以总时长。DER 越低，说明这份“节目单”越准确。
小明的整理员最终交出的是一张“节目单”：爷爷 00:00–00:35 讲祝酒词，姐姐 00:40–01:10 讲学校趣事……这份节目单就是日记化的输出，后续的转写只需按节目单逐条处理，一条音频一个人听写，准确率自然更高。
- 日记化函数$\mathcal{D}(X)$ 表示整个日记化系统的输入输出关系，输入一段原始混合音频，输出一串“谁从几秒说到几秒”的标签清单。
- 三元组结构$(s_i, t_i^{\text{start}}, t_i^{\text{end}})$ 是“谁 + 起 + 止”的三要素，每条发言记录都被压缩成一个括号里的三项。
- 说话人编号$s_i$ 是第 i 个片段的说话人代号，对应纪念册里“爷爷”“姐姐”这样的身份标识。
- 起止时刻$t_i^{\text{start}}$ 和 $t_i^{\text{end}}$ 分别记录这句话从第几秒开始、第几秒结束，单位通常是秒。
- 片段总数$N$ 表示整段音频被切分出的说话片段共有多少条，它是最终清单的长度。
声纹特征——每个人的“嗓音签名”
小明的妈妈有个神奇的本领：电话一响，对方喊一声“喂”，她就能说出是哪个亲戚打来的。她靠的是每个人说话时独特的音色——爷爷的声音低沉浑厚像大提琴，姐姐清亮像小提琴，表哥沙哑带着颗粒感。机器想分人，第一步同样是要“记住”每个人的音色。
原始录音是一串波形采样点，直接喂给模型既浪费算力、又难以体现“谁在说话”的差异。工程上先把波形转成梅尔频谱图——相当于把声音按人耳感知的刻度画成一张“声音照片”，再交给一个声纹编码器，压缩成一个固定长度的向量，即说话人嵌入（Speaker Embedding），也叫声纹向量。
常用的 x-vector、d-vector 模型，把一到几秒的语音片段映射成 128 或 256 维的向量。训练目标很朴素：同一人不同片段的向量被拉近，不同人片段的向量被推远。于是向量就成了“嗓音指纹卡”——它是后面所有分人操作的基础。指纹卡上没有名字，只有一串数字，但恰恰是这串数字决定了“这是爷爷还是姐姐”。
整理员于是把录音切成许多小段，给每段生成一张“嗓音指纹卡”。卡片上没有名字，只记录 128 个数字——爷爷的卡片与姐姐的卡片看似都是数字，距离却像南北极一样远。有了这些卡片，下一步就能给它们归堆了。
- 输入语音片段$x$ 是一段短时语音，比如从录音里随机切出的 1.5 秒“爷爷说话”片段，它仍是原始的波形采样。
- 梅尔对数谱$\mathrm{LogMel}(x)$ 把波形变成频谱图并映射到人耳感知刻度，相当于给模型一张“能看清音色纹理”的照片。
- 声纹编码器$\phi(\cdot)$ 是深度网络，把频谱图逐层压缩，只保留“谁是说话人”的关键判别信息，丢掉与身份无关的细节。
- 嵌入向量与维度$e \in \mathbb{R}^{d}$ 是输出的 d 维声纹向量，d 常取 128 或 256，相当于指纹卡上的特征栏。
聚类分离——把相同的“指纹”归到一堆
现在桌面上摊着几十张“嗓音指纹卡”，没有一张写名字。整理员要做的，是把长得最像的卡片归成一堆：这一堆全是爷爷的，那一堆全是姐姐的。这个“按相似度归堆”的动作，就是聚类。
聚类前先计算两两卡片的相似度。最常用的是余弦相似度——把两个向量看成从原点出发的箭头，夹角越小说明方向越接近，也就越可能是同一个人。这比欧氏距离更合适，因为向量长度可能受音量影响，而音色主要体现在方向上。
所有片段两两算完，得到相似度矩阵 A，然后交给谱聚类：构造拉普拉斯矩阵 L，把问题变成“找一个分割，让同一簇内部紧密、不同簇之间疏远”。层次聚类则是自底向上反复合并最相似的两簇。这类方法不需要训练模型，鲁棒、可解释，是工业界最常用的基线方案，尤其适合说话人少、重叠少的录音——就像生日宴上的祝福，一句接一句，很少有人抢话。
整理员把“爷爷组”“姐姐组”分别装进不同信封，每个信封就是一条干净的说话人轨迹。这个方法简单好用，可若是爷孙俩同时开口，一张指纹卡上混了两张指纹，聚类就抓狂了——下一节要讲的端到端模型，正是冲着这个难题来的。
- 余弦相似度$A_{ij} = \frac{e_i^\top e_j}{\|e_i\| \|e_j\|}$ 对两个声纹向量做归一化内积，结果越接近 1 代表越可能是同一个人。
- 拉普拉斯矩阵$\mathbf{L} = \mathbf{D} - \mathbf{A}$ 由相似度矩阵 A 和度矩阵 D 构造，用来刻画“图”上的平滑程度，是谱聚类的核心工具。
- 簇指示矩阵$\mathbf{Y}$ 的每一列表示一个簇（即一个说话人），矩阵元素为 0 或 1，标明某个片段归属于哪个簇。
- 迹最小化目标$\operatorname{tr}(\mathbf{Y}^\top \mathbf{L}\mathbf{Y})$ 数值越小，说明簇间连接越少、簇内越凝聚，对应的说话人划分就越可信。
端到端模型——请一位“超级听记师”
聚类方法的毛病是“先切菜、再分堆”，步骤一多误差就累积。小明索性请来一位“超级听记师”：把整段混合录音直接递过去，他一边听、一边在脑内把几个人的声音拆开，当场给每人一份干净的“分声轨”。
这就是端到端分离模型。它不再手工提取声纹、计算相似度，而是用一个深度网络直接学习“混合音频 → 多条干净语音”的映射。网络内部依然有编码器和分离头，但一切都是联合训练的，误差不再逐级放大。对用户来说，输入是一整段嘈杂录音，输出是几条各自干净的音轨，就像听记师直接递给你几份誊写好的分人稿。
常见结构包括双路径循环网络（DPRNN）和基于 Transformer 的分层模型。它们先把音频切成块，在“块内”建模局部细节、在“块间”建模长程说话人依赖，注意力机制负责捕捉“爷爷这句话开了头，姐姐几秒后接上”这类远距离关系。训练时模型输出 K 条估计信号（K 是预设的最大说话人数）。问题来了：模型的“通道 1/通道 2”对应参考答案里的“爷爷/姐姐”吗？通道顺序不固定，这就是下一节要解决的排列问题。
超级听记师虽然厉害，但他有个“怪癖”：交出来的作业本从不写名字。第一本究竟是爷爷的还是姐姐的，得靠下一节的“配对规则”来判定——这正是排列不变训练的用武之地。
- 编码器$\mathrm{Enc}(X)$ 是前端网络，把混合波形变换成高维特征序列，相当于听记师的“耳朵”。
- 分离头$\mathrm{Sep}_k(\cdot)$ 是第 k 个解码头，从共享特征中抽取出属于第 k 个通道的声音，彼此参数独立。
- 干净语音估计$\hat{S}_k$ 表示第 k 条输出，是模型对某个说话人声音的重建信号，它只含一个人的声音，不再是一锅粥。
- 通道总数$K$ 是设计时预设的最大说话人数，真实人数超过 K 时模型无法区分，需要在工程侧做人数估计兜底。
排列不变训练——给“作业本”配对
训练超级听记师时，老师手上有一份标准答案——爷爷的原话、姐姐的原话。但模型交上来的两本作业本都没写名，老师批改前必须先决定“哪本对应爷爷、哪本对应姐姐”。如果配错了，本来字写得对的作业也会被误判，学生就越学越糊涂。
这个“先配对、再打分”的机制，就是排列不变训练（Permutation Invariant Training，PIT）。训练时遍历所有可能的“输出通道 ↔ 真实说话人”配对方式，只把损失最小的那一种用于反向传播。换句话说，模型必须保证“无论答案落在哪个本子上，内容都写得对”。
K 个说话人共有 K! 种排列。两人分离只需比较 2 种，三人分离 6 种，四人不加优化就是 24 种。说话人超过两三个时，通常用匈牙利算法在多项式时间内近似最优配对。配对用的损失常用 SI-SNR（尺度不变信噪比），衡量重建语音与干净语音的波形一致性。PIT 让模型专注“把内容写对”，而不纠结内容落在几号本子上——这是端到端分离训练中最精巧的一环。
老师反复“配对—批改—打分”，超级听记师渐渐领悟：不管内容落在哪一本，都必须写得和标准答案一致。等他真正出师时，已经不再需要老师帮忙配对，自己就能把每个人的声音分得清清楚楚。
- 排列集合$\mathcal{P}$ 是所有一一配对方式的集合，两人时含 2 个元素，三人时含 6 个，呈阶乘增长。
- 配对映射$\pi(k)$ 把真实说话人 k 指派到模型的某一个输出通道，是“作业本对号入座”的具体方案。
- 单条损失$\mathcal{L}(S_k, \hat{S}_{\pi(k)})$ 比较真实语音 $S_k$ 与配对通道重建语音的差异，常用 SI-SNR 或 MSE。
- 平均取最小$\min_{\pi} \frac{1}{K} \sum_{k=1}^{K}$ 在全部排列中挑出平均损失最小的一个，以它作为梯度回传的依据。
会议优化——在真实聚餐的混乱中好用
小明的整理员在“干净录音”上表现完美，可一碰到真正的家庭聚餐就头疼：爷爷和表哥抢话说（重叠语音）、姐姐坐在离录音笔最远的角落（远场衰减）、厨房里炒菜声不断（背景噪声）。实验室里的好把式，到了真实饭桌总会水土不服。
工程化的日记化系统必须配套一系列预处理与后处理。先用语音活动检测（VAD）把静音、噪声帧过滤掉，再检测重叠语音片段，对重叠区单独处理；之后才做特征提取、分离或聚类；最后用人数估计模型决定“桌上到底有几位说话人”。真实系统往往把聚类和端到端方法混合使用——聚类负责大多数人声，端到端模型专攻重叠片段。
实时场景（如在线会议）还要求低延迟：模型只能利用已经到达的音频，因此端到端网络要改成因果结构或流式分块结构，每 0.5 秒左右输出一次最新标签；离线场景则可以用双向建模，精度更高。部署时还要做模型量化、指令集优化，确保在普通 CPU 上也能跑得动。这些工程细节，往往决定了一个系统是“论文里好看”还是“生产里好用”。
叠加了 VAD、重叠检测和流式优化后，小明的整理员终于敢接真实聚餐录音的活儿了。最后交出的节目单上，“爷爷、妈妈、姐姐、表哥”的角色清晰分明，连抢话重叠的部分也标注“此处两人同说”。这一刻，一锅八宝粥终于被盛成了四碗清清楚楚的白米饭。
- 帧能量$P(t)$ 是 t 时刻附近一帧语音的短时能量，能量高通常意味着有人发声。
- 能量阈值$\theta$ 根据底噪水平设定，环境安静时取小值，嘈杂时取大值，是灵敏度旋钮。
- 指示函数$\mathbb{I}[\cdot]$ 当括号内条件成立时输出 1，否则输出 0，相当于一个“是/否”开关。
- 判定结果$\mathrm{VAD}(t) = 1$ 表示该帧被判定为有效语音，$= 0$ 表示静音或纯噪声，可被过滤。
AI 应用场景
会议转写自动分人
阶段：语音预处理 + 说话人日记化
解决的问题：传统会议转写把所有发言混成一段文字，用户很难跳转到“张总刚才讲了什么”。用多说话人分离先把音轨切成“发言人 1/2/3”的片段，再接 ASR，会议纪要就能按人归档，检索和回顾都轻松得多。
具体案例：某在线会议产品新增“说话人标签”功能：服务端先跑 VAD + 谱聚类日记化，再对每条说话人轨道分别做识别，最后在字幕中显示“张总：下季度目标……”“李工：数据后台已完成……”，用户点击姓名即可跳转听原声。上线后，会议纪要的周留存率提升了约 20%。
访谈记录与播客字幕
阶段：离线日记化 + 角色标注
解决的问题：播客剪辑师手动给主持人/嘉宾分条对齐字幕，一集一小时节目要花三小时后期。日记化模型自动按声纹切分角色后，剪辑师只需校对，后期时间大幅缩短。
具体案例：某播客工具接入两人日记化模型，自动生成“主持人 Q：…… / 嘉宾 A：……”的结构化初稿和时间轴字幕。用户上传音频后，几分钟内就能拿到带角色的初稿，再手动修正专有名词即可发布。
客服通话质检
阶段：双通道分离 + 角色绑定
解决的问题：银行客服电话是坐席与客户的双人对话，传统质检只能看到整通电话的转写文本，谁说了哪句要靠前后文猜。分离后按角色区分，能精确统计坐席是否使用规范话术、客户是否明确同意业务办理。
具体案例：某呼叫中心在录音归档前增加日记化模块，输出“坐席/客户”双轨标签；质检规则引擎直接按角色检查，例如“坐席是否在开场 15 秒内自报工号”“客户是否明确同意业务办理”，违规率统计实现全自动，质检人力节省近一半。
Python 演示
import numpy as npfrom sklearn.cluster import SpectralClusteringfrom sklearn.metrics.pairwise import cosine_similarity def simulate_mixture(duration=8.0, sr=8000): """模拟双人交替说话的混合音频, 用不同频率正弦波近似两个声纹""" t = np.linspace(0, duration, int(duration * sr), endpoint=False) speaker_a = np.sin(2 * np.pi * 220 * t) + 0.3 * np.sin(2 * np.pi * 440 * t) speaker_b = np.sin(2 * np.pi * 160 * t) + 0.3 * np.sin(2 * np.pi * 320 * t) mask_a = (t % 2.0) < 1.0 mask_b = (t % 2.0) >= 1.0 return speaker_a * mask_a + speaker_b * mask_b def frame_features(x, win=400, hop=200, sr=8000): """分帧, 提取每帧的频谱质心/过零率/能量, 返回特征与帧起始时间""" frames = [x[i * hop:i * hop + win] for i in range((len(x) - win) // hop + 1)] feats, times = [], [] for i, f in enumerate(frames): spec = np.abs(np.fft.rfft(f)) if spec.sum() < 1e-6: continue freqs = np.fft.rfftfreq(len(f), d=1.0 / sr) centroid = (freqs * spec).sum() / spec.sum() zcr = np.sum(np.abs(np.diff(np.sign(f))) > 0) / len(f) feats.append([centroid, zcr, np.sqrt((f ** 2).sum())]) times.append(i * hop / sr) return np.array(feats), np.array(times) def run_diarization(): mixture = simulate_mixture() feats, times = frame_features(mixture) energy = feats[:, 2] active = energy > 0.15 * energy.max() # VAD: 过滤低能量帧 feats, times = feats[active], times[active] sim = cosine_similarity(feats[:, :2]) # 声纹相似度矩阵 labels = SpectralClustering(n_clusters=2, affinity="precomputed", random_state=42).fit_predict(sim) print("序号 起始秒 结束秒 说话人") for i, t in enumerate(times): print("%4d %6.2f %6.2f spk%d" % (i, t, t + 0.05, labels[i])) if __name__ == "__main__": run_diarization()
return speaker_a * mask_a + speaker_b * mask_b用两个频率族模拟“爷爷”和“姐姐”交替说话，叠加成混合录音。np.sqrt((f ** 2).sum())计算每帧的短时能量，作为语音活动检测的原始依据。active = energy > 0.15 * energy.max()能量超过峰值 15% 的帧视为有效语音，模拟 VAD 把静音帧滤掉。sim = cosine_similarity(feats[:, :2])构造声纹特征间的余弦相似度矩阵，等价于正文中的“指纹卡片距离表”。SpectralClustering(..., affinity="precomputed")让谱聚类直接吃相似度矩阵，把相近的帧归到同一个说话人簇中。
常见误区
误区很多初学者以为，把混叠录音喂给 AI，直接吐出一份完整文字稿就行，分不分人不重要。“分离”和“识别”听起来是一回事。
正解语音识别（ASR）只解决“说了什么”，多说话人分离解决“谁在什么时候说”。正确流程是先做日记化，把音轨拆成多条单说话人轨道，再对每条轨道分别识别，最后按时间轴合并成带角色的文稿。就像整理聚餐录音时，先分清谁的声音，再逐人去听写，漏听、错听的概率都会小很多。
为何常见：市面上的转写工具把两步封装在底层，用户只看到最终带说话人标签的文字稿，自然以为是一个模型全家桶干完的。
误区学 PIT 时容易想：训练好后通道 1 永远是“爷爷”，通道 2 永远是“姐姐”，直接把通道名写进产品里当人名用。
正解模型输出的只是“信号 1 / 信号 2”，通道与真实身份没有任何绑定关系。PIT 只保证每个通道都对应某个真实说话人，但不保证通道 1 永远是同一个人。推理时通常还要接声纹聚类或说话人识别，把通道结果打上真正的身份标签。
为何常见：论文里的示意图常把输出画成“说话人 A / 说话人 B”，看图的人就误以为通道是稳定绑定身份的端口。
误区看到端到端模型在榜单上刷新 SOTA，就觉得传统的“特征 + 聚类”方案是上个时代的古董，没有存在价值。
正解聚类方案无需训练、可解释性强、在说话人少且不重叠的录音上效果稳定，是工业界大量使用的基线。端到端模型对重叠语音更强，但需要海量标注数据和算力。成熟系统常两者结合：聚类做主干，端到端专攻重叠片段，谁也别想替代谁。
为何常见：学术论文只报最高指标，容易让人忽略部署成本、稳定性、可调试性这些生产环境的真实约束。
误区有同学会问：“PIT 都做了配对，为什么上线后还要聚类来确定身份？它配的不是说话人本人吗？”
正解PIT 的配对只是“输出通道与训练参考标签的排列对应”，用于计算损失和梯度。训练集里的标签只是编号（spk1、spk2），并不是现实中的身份“爷爷”“姐姐”。上线推理时根本没有参考标签，必须再做一次聚类或用声纹库比对，才能把信号归属到具体的人。
为何常见：“排列”二字容易让人联想到身份对齐，实际上它只解决训练阶段的指派问题，与身份识别完全是两码事。
面试题
Q1. 说话人日记化任务的核心目标是？
- A.把背景音乐与人声分开
- B.识别谁在何时说了什么← 正确答案
- C.把语音转写成文字
- D.识别说话人的情绪
答案：B。日记化解决“谁在什么时候说话”，输出的是带说话人标签的时间段；转写是 ASR 的职责，去背景音乐属于语音增强，情绪识别是另一个方向，三者都不是日记化的核心目标。
Q2. 声纹嵌入向量 e 的主要作用是？
- A.表示音频的响度大小
- B.表示文字的语义信息
- C.表示说话人的音色特征← 正确答案
- D.表示视频的画面内容
答案：C。声纹嵌入由编码器把一段语音压缩成固定维度向量，同一人向量聚拢、不同人向量远离，本质是“音色指纹”。响度、语义、画面内容都不归它管。
Q3. 谱聚类前构造相似度矩阵，最常用的度量是？
- A.曼哈顿距离
- B.余弦相似度← 正确答案
- C.欧氏距离
- D.切比雪夫距离
答案：B。声纹向量通常按方向比较，余弦相似度对向量长度不敏感，更符合“音色相近”的直觉；曼哈顿、欧氏、切比雪夫距离都受向量长度或能量影响，容易把响度差异误判成身份差异。
Q4. 排列不变训练（PIT）要解决的核心问题是？
- A.训练数据不足导致过拟合
- B.梯度消失使网络无法收敛
- C.模型参数量过大难以训练
- D.输出通道与说话人的配对歧义← 正确答案
答案：D。分离模型输出“通道1/通道2”，参考标签是“爷爷/姐姐”，通道与身份没有绑定。PIT 枚举配对方式并取最小损失，专门消除训练时的标签歧义，防止模型被错误的配对带偏。
Q5. PIT 损失的具体计算方式是？
- A.随机选择一种排列计算损失
- B.按输出顺序固定计算损失
- C.遍历所有排列取最小损失← 正确答案
- D.取所有通道损失的算术和
答案：C。PIT 的关键在 min——遍历所有排列（两人 2 种、三人 6 种）挑平均损失最小的那一种来反向传播。固定顺序或简单取和都违背“排列不变”的初衷，随机选择则会让训练不稳定。
Q6. 两人同时说话（重叠语音）对日记化格外困难，因为？
- A.一段信号里混合了多个声纹特征← 正确答案
- B.声音过响导致信号削波失真
- C.麦克风灵敏度会自动降低
- D.静音帧的数量会显著变多
答案：A。重叠时同一帧频谱同时属于两个人，聚类方法“一卡一人”的假设失效；端到端分离模型对这种混合建模更有优势。削波、灵敏度、静音帧都不是重叠语音的本质难点。
Q7. VAD（语音活动检测）的作用是？
- A.判断说话人性别年龄
- B.分离背景音乐与说话人
- C.检测语音片段的起止时间← 正确答案
- D.提高录音的采样率
答案：C。VAD 按帧判断“有没有人说话”，把静音/噪声帧过滤掉，为后续特征提取和聚类减负。它不区分音色，也不增强音频，性别年龄和采样率更与它无关。
Q8. 会议场景下说话人日记化的挑战通常包括？
- A.对话交叉重叠← 正确答案
- B.远场拾音易衰减← 正确答案
- C.环境噪声干扰大← 正确答案
- D.视频画面频繁切换
答案：ABC。重叠、远场、噪声都是会议录音的真实声学挑战，分别对应正文中的重叠语音检测、远场建模和 VAD 去噪。视频画面切换属于视觉模态问题，不直接影响音频日记化。
Q9. 与传统聚类方法相比，端到端分离模型的特点是？
- A.直接学习混音到干净语音映射← 正确答案
- B.不需要显式的聚类步骤← 正确答案
- C.能自然处理重叠语音← 正确答案
- D.完全不需要标注数据
答案：ABC。端到端模型用网络直接输出干净信号，跳过了聚类环节，对重叠语音也能联合建模。但训练需要大量带说话人标注的数据，D 的说法与事实相反。
Q10. 关于 PIT，下列说法正确的有？
- A.排列数随说话人数呈阶乘增长← 正确答案
- B.每次训练都要枚举所有排列← 正确答案
- C.PIT 能解决输出通道的标签歧义← 正确答案
- D.PIT 损失忽略说话人数量的影响
答案：ABC。K 个说话人对应 K! 种排列，训练时在其中取最小损失；说话人较多时用匈牙利算法近似枚举。PIT 的公式里显式包含 K，人数增加排列数爆炸，直接影响计算开销，因此 D 错误。