标签:

• pyannote
• pyannote音频
• pyannote音频管道
• 音频
• 语音
• 说话人
• 说话人分割
• 说话人变更检测
• 语音活动检测
• 重叠语音检测
• 自动语音识别 许可证: MIT 额外授权提示: "收集的信息将有助于更好地了解pyannote.audio用户群体，并帮助其维护者进一步改进。尽管此管道采用MIT许可证且始终保持开源，我们会偶尔向您发送关于pyannote高级管道和付费服务的邮件。" 额外授权字段: 公司/大学: 文本 网站: 文本

在生产环境中使用此开源模型？
考虑切换到pyannoteAI以获取更好更快的选择。

🎹 说话人分割 3.1

此管道与pyannote/speaker-diarization-3.0相同，只是移除了有问题的onnxruntime使用。
说话人分割和嵌入现在均以纯PyTorch运行，这将简化部署并可能加速推理。
需要pyannote.audio 3.1或更高版本。

它接收16kHz采样的单声道音频，并输出说话人分割结果作为Annotation实例：

• 立体声或多声道音频文件会自动通过通道平均降混为单声道。
• 不同采样率的音频文件在加载时会自动重采样至16kHz。

要求

1. 安装pyannote.audio3.1，使用pip install pyannote.audio
2. 接受pyannote/segmentation-3.0用户条款
3. 接受pyannote/speaker-diarization-3.1用户条款
4. 在hf.co/settings/tokens创建访问令牌。

使用方式

# 实例化管道
from pyannote.audio import Pipeline
pipeline = Pipeline.from_pretrained(
  "pyannote/speaker-diarization-3.1",
  use_auth_token="HUGGINGFACE_ACCESS_TOKEN_GOES_HERE")

# 在音频文件上运行管道
diarization = pipeline("audio.wav")

# 将分割结果以RTTM格式保存到磁盘
with open("audio.rttm", "w") as rttm:
    diarization.write_rttm(rttm)

GPU处理

默认情况下，pyannote.audio管道在CPU上运行。可通过以下代码将其发送至GPU：

import torch
pipeline.to(torch.device("cuda"))

从内存处理

预加载音频文件到内存可能加快处理速度：

waveform, sample_rate = torchaudio.load("audio.wav")
diarization = pipeline({"waveform": waveform, "sample_rate": sample_rate})

进度监控

可通过钩子监控管道进度：

from pyannote.audio.pipelines.utils.hook import ProgressHook
with ProgressHook() as hook:
    diarization = pipeline("audio.wav", hook=hook)

控制说话人数量

若已知说话人数量，可使用num_speakers选项：

diarization = pipeline("audio.wav", num_speakers=2)

也可通过min_speakers和max_speakers选项提供说话人数量的上下限：

diarization = pipeline("audio.wav", min_speakers=2, max_speakers=5)

基准测试

此管道已在大量数据集上进行基准测试。

处理完全自动化：

• 无需手动语音活动检测（如文献中有时所述）
• 无需手动指定说话人数量（尽管可向管道提供）
• 无需微调内部模型或调整管道超参数以适应各数据集

...采用最严苛的分割错误率（DER）设置（在本文中称为"Full"）：

• 无宽容区间
• 评估重叠语音

引用文献

@inproceedings{Plaquet23,
  author={Alexis Plaquet and Hervé Bredin},
  title={{Powerset multi-class cross entropy loss for neural speaker diarization}},
  year=2023,
  booktitle={Proc. INTERSPEECH 2023},
}

@inproceedings{Bredin23,
  author={Hervé Bredin},
  title={{pyannote.audio 2.1 speaker diarization pipeline: principle, benchmark, and recipe}},
  year=2023,
  booktitle={Proc. INTERSPEECH 2023},
}