speech-to-text - 使用 Google 录制时的扬声器分离

Question

我正在从事一个必须执行以下操作的项目。

我有 4 个用户。什么时候和 4 个用户交谈任务是这样的，最后的代码必须根据用户的声音对数据进行隔离/标记/分组。我在 IBM Watson 和 Azure 中看到了这样的功能。但我正在谷歌环境中寻找一些东西。

我可以使用 Speech API 完成 Speech to Text 部分。但我想使用任何 Google 的 API 进行隔离。

请让我知道我该怎么做。