Pyannote Segmentation

🚀 話者セグメンテーション

このモデルは、重複音声を考慮した話者再セグメンテーションを実現するエンドツーエンドの話者セグメンテーションモデルです。

このモデルは、Hervé BredinとAntoine Laurentによる論文 End-to-end speaker segmentation for overlap-aware resegmentation から派生したものです。

オンラインデモ は、Hugging Face Spaceとして利用可能です。

🚀 クイックスタート

このモデルは、開発中のpyannote.audio 2.0に依存しています。インストール手順 を参照してください。

✨ 主な機能

• 音声活性検出
• 重複音声検出
• 再セグメンテーション

📦 インストール

このモデルは、開発中のpyannote.audio 2.0に依存しています。インストール手順 を参照してください。

💻 使用例

基本的な使用法

音声活性検出

from pyannote.audio.pipelines import VoiceActivityDetection
pipeline = VoiceActivityDetection(segmentation="pyannote/segmentation")
HYPER_PARAMETERS = {
  # onset/offset activation thresholds
  "onset": 0.5, "offset": 0.5,
  # remove speech regions shorter than that many seconds.
  "min_duration_on": 0.0,
  # fill non-speech regions shorter than that many seconds.
  "min_duration_off": 0.0
}
pipeline.instantiate(HYPER_PARAMETERS)
vad = pipeline("audio.wav")
# `vad` is a pyannote.core.Annotation instance containing speech regions

重複音声検出

from pyannote.audio.pipelines import OverlappedSpeechDetection
pipeline = OverlappedSpeechDetection(segmentation="pyannote/segmentation")
pipeline.instantiate(HYPER_PARAMETERS)
osd = pipeline("audio.wav")
# `osd` is a pyannote.core.Annotation instance containing overlapped speech regions

再セグメンテーション

from pyannote.audio.pipelines import Resegmentation
pipeline = Resegmentation(segmentation="pyannote/segmentation", 
                          diarization="baseline")
pipeline.instantiate(HYPER_PARAMETERS)
resegmented_baseline = pipeline({"audio": "audio.wav", "baseline": baseline})
# where `baseline` should be provided as a pyannote.core.Annotation instance

生のスコア取得

from pyannote.audio import Inference
inference = Inference("pyannote/segmentation")
segmentation = inference("audio.wav")
# `segmentation` is a pyannote.core.SlidingWindowFeature
# instance containing raw segmentation scores like the 
# one pictured above (output)

高度な使用法

論文 "End-to-end speaker segmentation for overlap-aware resegmentation" の結果を再現するには、以下のハイパーパラメータで pyannote/segmentation@Interspeech2021 を使用します。

予想される出力（およびVBxベースライン）は、/reproducible_research サブディレクトリにも提供されています。

📚 ドキュメント

サポート

商業的な問い合わせや科学的なコンサルティングについては、私 に連絡してください。
技術的な質問 や バグレポート については、pyannote.audio のGitHubリポジトリを確認してください。

📄 ライセンス

このプロジェクトはMITライセンスの下で公開されています。

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},
}