說話人分離把一段錄音切成若干片段，並標註每段是誰說的。語音辨識告訴你說了什麼，說話人分離告訴你是誰說的。
系統始終不知道任何人的名字。它測量每個嗓音的聲音特徵——音高、音色、共鳴——把短時音訊視窗轉成數值指紋。聚在一起的指紋屬於同一個人。產出是一條時間軸：0:00 到 0:14 是一位發言人，0:14 到 0:31 是另一位。
沒有這條時間軸，轉錄文字只是一整塊不加區分的文字：一個問題和它的回答擠在同一段裡，中間沒有任何分隔。把每一句歸到人頭上，轉錄就變成一段可檢索的對話。你能問「誰答應了這件事」，而不只是「這件事有沒有被提到」。
兩個人同時開口，或者兩個嗓音音區接近時，準確率會下滑。只有一個字的插話很容易被整個漏掉。長會議裡如果有人換裝置重新加入，系統還得判斷一個陌生的聲音究竟是新的人，還是同一個人換了麥克風。
Xtify 根據聲音本身辨識說話人，而不是根據哪個麥克風或裝置採集到的音訊。會議室裡兩個人對著同一支麥克風說話，仍會被正確標註成兩位不同的發言人。按裝置聲道切分的工具做不到這一點——兩個人的聲音是從同一個聲道進來的。
說話人分離與轉錄，以及決策、待辦事項、風險與跟進的擷取，在同一次處理中完成。帶標註的轉錄文字會進入你 Mac 上的記憶索引。Xtify 使用的語音與語言模型服務商都在企業協議下工作，這些協議將你的資料排除在模型訓練之外。
不是。說話人分離只把不同的聲音分開，並不知道它們屬於誰：它能告訴你「有兩個不同的人說過話」，卻不指認其中任何一個。聲紋辨識（也叫說話人辨認）則把一個聲音對應到某個已知的人。你得先做說話人分離，而大多數時候，第二步根本用不上。
不需要。因為 Xtify 是從聲音本身入手的，一個房間裡共用一支麥克風，同樣能分出不同的、帶標註的發言人。各自獨立的麥克風會讓這件事更容易，但並非必要條件。
適用。說話人分離處理的是聲音本身而不是詞語，因此與所說的語言無關。Xtify 支援 60 種語言的轉錄，在 Pro Max 及以上層級，即便發言人在句子中途切換語言也能跟上。