说话人分离方法、装置、设备以及存储介质

本公开提供了一种说话人分离方法，涉及人工智能技术领域，具体涉及语音识别、自然语言处理、大语言模型等技术领域。该方法包括：将待分离视频切分为多个场景片段，分别提取多个场景片段的字幕信息和字幕信息对应的字幕时间轴；根据字幕时间轴提取场景片段的音频特征以及人脸特征；分别对音频特征和人脸特征进行聚类，根据聚类结果生成场景片段对应的场景分离结果；合并多个场景片段对应的场景分离结果，得到待分离视频对应的说话人分离结果。该方法提升了说话人分离结果的准确性，进而提升了用户对视频文件进行二次创作的效率和准确性。