做了个把多人录音按说话人拆成独立音轨的工具

最近做了一个小工具 Seply ，主要解决多人录音里的说话人分离问题。

这里的“分离”不是只在文字稿里标记 Speaker 1 、Speaker 2 ，而是上传一段播客、采访或者会议录音后，实际生成每位说话人的独立音轨，并且保持和原录音的时间轴对齐，方便后续剪辑、转写或者单独处理某个人的声音。

最开始做这个功能，是因为我发现很多 diarization 工具只能告诉你“谁在什么时候说话”，但如果想真正拿到每个人的音频，仍然需要手工剪辑。

目前主要支持：

上传音频或视频
自动识别或手动设置说话人数
为每位说话人生成独立 WAV 音轨
普通对话和重叠语音两种处理模式
另外做了带说话人和时间轴的语音转文字功能

实际做下来，最难处理的还是多人同时说话。

普通轮流对话的分离效果相对稳定，但遇到抢话、打断或者两个人同时说话时，很难做到完全干净。我后来增加了一个针对重叠语音的 Advanced 模式，效果会好一些，但处理成本也高很多。

所以现在产品里保留了两个模式：

Standard：适合大多数轮流说话的播客、采访和会议
Advanced：适合重叠说话较多、对分离质量要求更高的录音

我没有把它宣传成“可以完美消除重叠语音”，因为实际效果还是会受到噪声、回声、录音设备、声音相似度和重叠程度影响。

网站在这里：

https://seply.org/

新用户有 30 Credits ，可以免费处理最多 3 分钟的 Standard Separation 。网站目前主要面向海外用户，所以界面是英文的。

想请大家主要帮我看看几个问题：

打开首页后，能不能比较快地理解它和普通说话人识别、语音转文字的区别？
Standard 和 Advanced 两个模式会不会让人觉得选择比较复杂？
如果你处理过播客、采访、会议或者多人视频，最希望导出哪些结果？
定价和 Credits 的表达是否容易理解？

目前还是一个比较早期的版本，会持续迭代。