前言：为什么 Whisper 还不够？
OpenAI 的 Whisper 模型在 ASR（自动语音识别）领域已经是天花板级别的存在，它能听懂极其模糊的口音和多国语言。 但是，Whisper 原生不支持 Speaker Diarization（说话人日记/分离）。它只能把音频变成文字，却无法告诉你这段文字是谁说的。
为了解决这个问题，我们需要引入 Pyannote.audio。这是一个基于 PyTorch 的开源音频分析工具包，它的专长就是'听声辨人'。
我们要做的，就是把这两个模型'缝合'起来。
一、架构设计：双管齐下
我们的系统处理流程如下：
- 音频输入：一段包含多个人说话的会议录音。
- 路径 A (Whisper)：负责听内容，输出
(开始时间，结束时间，文本)。 - 路径 B (Pyannote)：负责听声纹，输出
(开始时间，结束时间，说话人 ID)。 - 对齐融合 (Alignment)：根据时间戳，将两边的结果匹配起来。
**系统流水线 (Mermaid):