标签:

• pyannote
• pyannote音频
• pyannote音频模型
• 音频
• 语音
• 说话人
• 说话人分割
• 说话人变化检测
• 语音活动检测
• 重叠语音检测
• 重分割 许可证: MIT 推理: false 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。尽管本模型采用MIT许可证且始终保持开源，我们偶尔会向您发送关于pyannote相关高级模型和付费服务的邮件。" 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获取更优更快的选择。

🎹 "幂集"说话人分割模型

本模型接收16kHz采样的10秒单声道音频，输出说话人分割结果，形式为(num_frames, num_classes)矩阵，其中7个类别分别是_非语音_、说话人#1、说话人#2、说话人#3、说话人#1和#2、说话人#1和#3，以及_说话人#2和#3_。

# 波形输入（首行）
duration, sample_rate, num_channels = 10, 16000, 1
waveform = torch.randn(batch_size, num_channels, duration * sample_rate)

# 幂集多类编码（第二行）
powerset_encoding = model(waveform)

# 多标签编码（第三行）
from pyannote.audio.utils.powerset import Powerset
max_speakers_per_chunk, max_speakers_per_frame = 3, 2
to_multilabel = Powerset(
    max_speakers_per_chunk,
    max_speakers_per_frame).to_multilabel
multilabel_encoding = to_multilabel(powerset_encoding)

该模型背后的各项技术细节详见这篇论文。

模型由Séverin Baroudi使用pyannote.audio 3.0.0版本训练，训练数据整合了AISHELL、AliMeeting、AMI、AVA-AVD、DIHARD、Ego4D、MSDWild、REPERE和VoxConverse的数据集。

Alexis Plaquet提供的这个配套代码库还包含如何自行训练或微调该模型的指南。

使用要求

1. 安装pyannote.audio 3.0：pip install pyannote.audio
2. 同意pyannote/segmentation-3.0用户条款
3. 在hf.co/settings/tokens创建访问令牌

使用方法

# 实例化模型
from pyannote.audio import Model
model = Model.from_pretrained(
  "pyannote/segmentation-3.0",
  use_auth_token="此处填入HUGGINGFACE访问令牌")

说话人分割

本模型不能独立用于完整录音的说话人分割（仅处理10秒片段）。

完整录音分割请使用pyannote/speaker-diarization-3.0流水线，该方案结合了额外的说话人嵌入模型。

语音活动检测

from pyannote.audio.pipelines import VoiceActivityDetection
pipeline = VoiceActivityDetection(segmentation=model)
超参数 = {
  # 移除短于此值的语音段（秒）
  "min_duration_on": 0.0,
  # 填补短于此值的非语音段（秒）
  "min_duration_off": 0.0
}
pipeline.instantiate(超参数)
vad = pipeline("audio.wav")
# `vad`是包含语音段的pyannote.core.Annotation实例

重叠语音检测

from pyannote.audio.pipelines import OverlappedSpeechDetection
pipeline = OverlappedSpeechDetection(segmentation=model)
超参数 = {
  # 移除短于此值的重叠语音段（秒）
  "min_duration_on": 0.0,
  # 填补短于此值的非重叠语音段（秒）
  "min_duration_off": 0.0
}
pipeline.instantiate(超参数)
osd = pipeline("audio.wav")
# `osd`是包含重叠语音段的pyannote.core.Annotation实例

引用文献

@inproceedings{Plaquet23,
  作者={Alexis Plaquet和Hervé Bredin},
  标题={{基于幂集多类交叉熵损失的神经说话人分割}},
  年份=2023,
  会议={Proc. INTERSPEECH 2023},
}

@inproceedings{Bredin23,
  作者={Hervé Bredin},
  标题={{pyannote.audio 2.1说话人分割流水线：原理、基准与方案}},
  年份=2023,
  会议={Proc. INTERSPEECH 2023},
}