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，我们会偶尔向您发送关于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（第一行）
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)

该模型背后的各种概念在这篇论文中有详细描述。

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

Alexis Plaquet维护的配套代码库还提供了如何在自己的数据上训练或微调此类模型的指导。

要求

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

使用方式

# 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

本模型不能单独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流程，该流程额外使用说话人嵌入模型。

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,
  # 填充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,
  # 填充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,
  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},
}