SoulX-Transcriber

SoulX-Transcriber 是一个端到端的多说话人语音转录框架，统一建模“谁说、何时说、说什么”三大任务。它基于大型音频语言模型，支持重叠语音与快速轮替对话的联合说话人区分（diarization）与语音识别（ASR），输出带时间戳和说话人标签的结构化文本。项目采用单阶段联合建模，避免传统级联流水线的误差累积，具备鲁棒的抗噪与说话人分离能力。适用于会议记录、访谈整理、在线教育课堂转录等需精准说话人归属的多声道语音处理场景。