¿Cómo dividir archivos de video al detectar cambios en los parlantes? (es decir, un archivo diferente para un hablante diferente)

Question

Tengo un archivo de audio que tiene 2 parlantes. El archivo de audio tiene una conversación entre ellos. Quiero dividir ese archivo en 2 partes. Una parte debe tener una conversación con la Persona A y la otra debe tener una conversación con la Persona B.

Intenté dividirlo en silencio pero no funciona. Lo intenté usando los siguientes comandos.

"ffmpeg -i input.wav -af silenciosodetect=ruido=-30dB:d=0.2 -f null - 2> vol.txt"

Pero mi archivo de audio también tiene algunas pausas aleatorias. Entonces esta solución no funciona. Necesito diferenciar entre los hablantes. ¿Alguna sugerencia para hacer esto?