这类问题我又碰上了一次。客服坐席的录音是双声道，左声道是客户右声道是坐席，转写前用单声道参数下混，两人同时说话时只能识别出一个人的内容，转写稿里几乎全是坐席的自述。
第一反应是「录音设备增益不同，一个声道明显更轻」，验证下来不成立。
原因不止一个，得分开看。下混把两个独立声道叠成一个，重叠段互相掩盖；转写模型只支持单声道输入；没有先做声道分离就直接转码。
先确认两个声道的音量差异
ffmpeg -i call.wav -af "astats=metadata=1:reset=0" -f null - 2>&1 | Select-String 'RMS level'然后按声道拆成两个单声道文件分别转写
ffmpeg -i call.wav -filter_complex "[0:a]channelsplit=channel_layout=stereo[l][r]" -map "[l]" left.wav -map "[r]" right.wav随后分别转写后按时间戳合并
python asr_two_track.py --left left.wav --right right.wav --merge-by-ts --out dialog.json末了抽查重叠段是否两个说话人都在
python check_overlap.py --in dialog.json --min-overlap 0.3改完先别撤，确认这几项。重叠段里客户与坐席的话都出现在转写稿中，按时间排序后没有互相覆盖，抽查二十段全部通过。
双声道录音天生带了说话人信息，先拆声道再转写比事后做说话人分离准确得多。同一份配置在测试环境跑通，不代表线上没事，两边的默认值经常不一样。