Speaker identification 應為獨立的證據層，而非 diarization 的附屬輸出（實測：僅 38.3% 可確認，且靠語意非聲學）

[kiki830621]

Problem

原話（使用者，逐字）：
「我覺得bestASR裡面辨識講話的人是一個特別的工作，現在的asr模型好像不是做得很好」

現行架構把「誰在說話」當成轉錄的附屬輸出：ASR 產文字，diarization 順便貼 Speaker N。既有的 speaker issue（#143 單一 cue、#144 閾值未暴露、#155 問答合併）都在同一個框架內——讓聲學分群更準。

本 issue 提的是上一層：辨識人是一項獨立工作，其證據來源不限於聲學，而現行架構沒有承載其他證據的地方。

Type

feature

實測（一場 39 分鐘、6 人、跨機構協調會）

標註	cues	佔比	依據	可信度
某執行秘書	411	38.3%	內容自述推斷 → 人確認 → 25 秒聲紋樣本自動命中	已確認
語者3	300	27.9%	從發言角色推斷為主席，待回聽	未確認
語者2	252	23.5%	僅知屬某機構，何人未定	未確認
語者1	75	7.0%	未定	未確認
語者4–7	17	1.6%	零星短句，疑為前述語者之分群碎片	未確認

只有 38.3% 是確認的，而那 38.3% 靠的不是聲學——是內容自述（該語者陳述之預算規模與資料筆數，唯一對應某機構）加上稱呼排除法（他稱呼過另外三位，故排除），人確認後才切樣本建聲紋。聲學在這裡是最後一步，不是第一步。

三類聲學拿不到的證據（實測全部用上）

證據類型	例	為何聲學不可能得到
自述	「我目前提出來是⋯」所述之預算規模，對照議程中該項的提出單位	資訊在語意層
稱呼排除法（最強）	該語者稱呼過楊老師、君老師、欣洲老師 → 排除此三人	需要理解稱謂指涉
立場一致性	該語者敘述之資料來源與權限界定了其所屬機構；對方以「你那邊／我這邊」與之對舉	需要跨 turn 的機構歸屬推理

第三類在本次尤其關鍵：某句的歸屬單靠標籤無法確信，但從「機構立場 + 你我之分 + 敘述視角」三者可推出該句出自哪一方——而且不需要知道說話者是誰。

Expected

speaker identification 成為獨立於轉錄的一層，可接受多種證據並輸出帶信心度的歸屬：

• 聲學分群（現有）作為其中一路證據，非唯一
• 可注入外部先驗：出席名單、議程角色、已建聲紋庫
• 支援語意層證據的登記（自述、稱呼排除、立場一致性）
• 輸出每個標籤的依據與信心度，而非一律 Speaker N
• 允許「機構層級歸屬」作為合法產出——它比個人歸屬穩固，且多數行政用途只需要它

Actual

• Speaker N 是無差別標籤：38.3% 已雙重確認者與 7.0% 純未定者在輸出上長得一模一樣
• 語意證據無處可放，只能在 agent 端臨時推斷、寫進 skill 產物，不回饋到工具
• 已建立的聲紋樣本可跨會議重用，但建立它的那段推理無處留存
• 無「機構層級歸屬」這個中間產物——只能全有（指名）或全無（Speaker N）

Impact

這不是準確率問題，是可用性問題。 全部標成 Speaker N 的逐字稿，在需要歸屬的場合（會議記錄、訪談分析、法遵稽核）等於未標註——因為使用者無法分辨哪個標籤可信。

實測後果：一份記錄的每條決議都必須人工回逐字稿判斷歸屬；inferred 與 attested 的分野只能寫在下游的溯源檔，工具本身不提供這個維度。

待決

• 分層設計：獨立 skill、bestasr 子命令、還是 diarization 的後處理層？
• 信心度的表示：分級（confirmed / inferred / unknown）還是連續分數？後者難以校準
• 語意證據如何輸入——結構化欄位（出席名單、稱謂表）還是自由文字讓 LLM 推？
• 聲紋庫的隱私邊界：聲紋是生物特徵，跨會議重用意味著長期保存，需明確保存範圍與同意基礎
• 與 --diarize can silently emit a single whole-file cue (or zero cues) with exit 0 — segmentation collapse escapes the D4 no-silent-degradation contract #143 / diarization clustering knobs are not surfaced — default threshold 0.7 collapses a 5-person meeting into 2 clusters with no way to correct it #144 / Diarization can merge a rapid question-and-answer exchange into one speaker label — locally wrong, globally invisible, and it survives threshold tuning #155 的關係：那三個修聲學層，本 issue 加證據層。應為互補，但需確認不會各自為政

相關

• Diarization can merge a rapid question-and-answer exchange into one speaker label — locally wrong, globally invisible, and it survives threshold tuning #155 快速問答被併為單一語者（聲學層，本 issue 之證據層可作為交叉檢查）
• diarization clustering knobs are not surfaced — default threshold 0.7 collapses a 5-person meeting into 2 clusters with no way to correct it #144 分群閾值未暴露（聲學層）
• --diarize can silently emit a single whole-file cue (or zero cues) with exit 0 — segmentation collapse escapes the D4 no-silent-degradation contract #143 --diarize 可能靜默輸出單一 cue（聲學層）
• feature: speaker identification — SPEAKER_N 對映 names[] 真名（兩階段之二，blocked by #25） #26（CLOSED）SPEAKER_N 對映真名——本 issue 是該構想在實測後的重新框定：對映需要證據層，不只是映射表