标签:

• pyannote
• pyannote音频
• pyannote音频管道
• 音频
• 语音
• 说话人
• 说话人分割
• 说话人变化检测
• 语音活动检测
• 重叠语音检测 数据集:
• ami
• dihard
• voxconverse
• aishell
• repere
• voxceleb 许可证: mit

🎹 说话人分割

基于pyannote.audio 2.0版本：查看安装说明。

快速开始

# 从Huggingface Hub加载管道
from pyannote.audio import Pipeline
pipeline = Pipeline.from_pretrained("pyannote/speaker-diarization@2022.07")

# 将管道应用于音频文件
diarization = pipeline("audio.wav")

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

高级用法

如果已知说话人数量，可以使用num_speakers选项：

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

也可以使用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)

如果想尝试更多，可以调整管道的各种超参数。
例如，通过增加segmentation_onset阈值来使用更激进的语音活动检测：

hparams = pipeline.parameters(instantiated=True)
hparams["segmentation_onset"] += 0.1
pipeline.instantiate(hparams)

基准测试

实时因子

使用一块Nvidia Tesla V100 SXM2 GPU（用于神经网络推理部分）和一块Intel Cascade Lake 6248 CPU（用于聚类部分），实时因子约为5%。

换句话说，处理一小时对话大约需要3分钟。

准确率

该管道在多个数据集上进行了基准测试。

处理过程完全自动化：

• 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（尽管可以提供给管道）
• 无需对内部模型进行微调，也无需为每个数据集调整管道超参数

...采用最严格的说话人分割错误率（DER）设置（在本文中称为*"Full"*）：

• 无容忍区间
• 评估重叠语音

支持

商业咨询和科学合作，请联系我。
技术问题和错误报告，请查看pyannote.audio的GitHub仓库。

引用

@inproceedings{Bredin2021,
  Title = {{End-to-end speaker segmentation for overlap-aware resegmentation}},
  Author = {{Bredin}, Herv{\'e} and {Laurent}, Antoine},
  Booktitle = {Proc. Interspeech 2021},
  Address = {Brno, Czech Republic},
  Month = {August},
  Year = {2021},
}

@inproceedings{Bredin2020,
  Title = {{pyannote.audio: neural building blocks for speaker diarization}},
  Author = {{Bredin}, Herv{\'e} and {Yin}, Ruiqing and {Coria}, Juan Manuel and {Gelly}, Gregory and {Korshunov}, Pavel and {Lavechin}, Marvin and {Fustes}, Diego and {Titeux}, Hadrien and {Bouaziz}, Wassim and {Gill}, Marie-Philippe},
  Booktitle = {ICASSP 2020, IEEE International Conference on Acoustics, Speech, and Signal Processing},
  Address = {Barcelona, Spain},
  Month = {May},
  Year = {2020},
}