说话人分离把一段录音切成若干片段，并标注每段是谁说的。语音识别告诉你说了什么，说话人分离告诉你是谁说的。
系统始终不知道任何人的名字。它测量每个嗓音的声音特征——音高、音色、共鸣——把短时音频窗口转成数值指纹。聚在一起的指纹属于同一个人。产出是一条时间轴：0:00 到 0:14 是一位发言人，0:14 到 0:31 是另一位。
没有这条时间轴，转录文本只是一整块不加区分的文字：一个问题和它的回答挤在同一段里，中间没有任何分隔。把每一句归到人头上，转录就变成一段可检索的对话。你能问"谁答应了这件事"，而不只是"这件事有没有被提到"。
两个人同时开口，或者两个嗓音音区接近时，准确率会下滑。只有一个词的插话很容易被整个漏掉。长会议里如果有人换设备重新加入，系统还得判断一个陌生的声音究竟是新的人，还是同一个人换了麦克风。
Xtify 根据声音本身识别说话人，而不是根据哪个麦克风或设备采集到的音频。会议室里两个人对着同一支麦克风说话，仍会被正确标注成两位不同的发言人。按设备声道切分的工具做不到这一点——两个人的声音是从同一个声道进来的。
说话人分离与转录，以及决策、待办事项、风险与跟进的提取，在同一次处理中完成。带标注的转录文本会进入你 Mac 上的记忆索引。Xtify 使用的语音与语言模型服务商都在企业协议下工作，这些协议将你的数据排除在模型训练之外。
不是。说话人分离只把不同的声音分开，并不知道它们属于谁：它能告诉你"有两个不同的人说过话"，却不指认其中任何一个。声纹识别（也叫说话人辨认）则把一个声音对应到某个已知的人。你得先做说话人分离，而大多数时候，第二步根本用不上。
不需要。因为 Xtify 是从声音本身入手的，一个房间里共用一支麦克风，同样能分出不同的、带标注的发言人。各自独立的麦克风会让这件事更容易，但并非必要条件。
适用。说话人分离处理的是声音本身而不是词语，因此与所说的语言无关。Xtify 支持 60 种语言的转录，在 Pro Max 及以上档位，即便发言人在句子中途切换语言也能跟上。