本发明提供了基于音频流的对话角色分离方法、系统、设备及存储介质，该方法包括：将音频流按时序依次分割为音频片段，并将每个音频片段以预设窗长A和预设窗移B依次提取特征帧；以每个特征帧为中心，整合时序向前以及时序向后的各C个连续相邻特征帧，进行拼合获得声纹检测子片段；基于声纹检测子片段通过与预先训练的帧级别声纹模型进行识别，获得声纹检测子片段的说话人的身份识别信息；将音频流根据身份识别信息进行对话角色分离。本发明能够基于深度学习模型对音频片段进行多说话人识别检测，准确地剔除多说话人片段，提升声纹质量，从而提升声纹识别效果。