作者为“懒猫视频翻译”App移植两个AI模型：Pyannote Segmentation 3.0用ONNX推理，定位语音片段和说话人位置；CAM++用TensorRT提取声纹特征，在超长音频切分识别时归一不同片段的声纹。二者均采用FP32精度，可对任意长度音频始终追踪同一人声纹，适用于视频翻译和会议记录。