Segmentation 3.0

🚀 "Powerset" 說話人分割模型

本項目是一個用於說話人分割的開源模型，它能夠對音頻進行處理，輸出說話人分割的結果。該模型在音頻處理領域，特別是說話人分割、檢測等任務上具有重要價值。

🚀 快速開始

安裝要求

1. 使用 pip install pyannote.audio 安裝 pyannote.audio 3.0 版本。
2. 接受 pyannote/segmentation-3.0 的用戶使用條件。
3. 在 hf.co/settings/tokens 創建訪問令牌。

模型實例化

# 實例化模型
from pyannote.audio import Model
model = Model.from_pretrained(
  "pyannote/segmentation-3.0", 
  use_auth_token="HUGGINGFACE_ACCESS_TOKEN_GOES_HERE")

✨ 主要特性

• 本模型接收 10 秒、採樣率為 16kHz 的單聲道音頻，並將說話人分割結果輸出為一個 (num_frames, num_classes) 矩陣。其中，7 個類別分別為 非語音、說話人 #1、說話人 #2、說話人 #3、說話人 #1 和 #2、說話人 #1 和 #3 以及 說話人 #2 和 #3。
• 模型背後的各種概念在 這篇論文 中有詳細描述。
• 該模型由 Séverin Baroudi 使用 pyannote.audio 3.0.0 版本進行訓練，訓練數據結合了 AISHELL、AliMeeting、AMI、AVA - AVD、DIHARD、Ego4D、MSDWild、REPERE 和 VoxConverse 等數據集。

💻 使用示例

基礎用法

# 波形數據 (第一行)
duration, sample_rate, num_channels = 10, 16000, 1
waveform = torch.randn(batch_size, num_channels, duration * sample_rate) 

# 冪集多類編碼 (第二行)
powerset_encoding = model(waveform)

# 多標籤編碼 (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)

說話人分割應用

本模型不能單獨用於對完整錄音進行說話人分割（它僅處理 10 秒的音頻塊）。可參考 pyannote/speaker - diarization - 3.0 管道，該管道使用額外的說話人嵌入模型來執行完整錄音的說話人分割。

語音活動檢測

from pyannote.audio.pipelines import VoiceActivityDetection
pipeline = VoiceActivityDetection(segmentation=model)
HYPER_PARAMETERS = {
  # 移除短於該時長（秒）的語音區域
  "min_duration_on": 0.0,
  # 填充短於該時長（秒）的非語音區域
  "min_duration_off": 0.0
}
pipeline.instantiate(HYPER_PARAMETERS)
vad = pipeline("audio.wav")
# `vad` 是一個包含語音區域的 pyannote.core.Annotation 實例

重疊語音檢測

from pyannote.audio.pipelines import OverlappedSpeechDetection
pipeline = OverlappedSpeechDetection(segmentation=model)
HYPER_PARAMETERS = {
  # 移除短於該時長（秒）的重疊語音區域
  "min_duration_on": 0.0,
  # 填充短於該時長（秒）的非重疊語音區域
  "min_duration_off": 0.0
}
pipeline.instantiate(HYPER_PARAMETERS)
osd = pipeline("audio.wav")
# `osd` 是一個包含重疊語音區域的 pyannote.core.Annotation 實例

📚 詳細文檔

本模型的詳細原理和相關概念可參考 這篇論文。此外，Alexis Plaquet 的 配套倉庫 也提供瞭如何在自己的數據上訓練或微調該模型的說明。

📄 許可證

本項目採用 MIT 許可證。

📖 引用說明

@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},
}

⚠️ 重要提示

使用此開源模型進行生產時，考慮切換到 pyannoteAI 以獲取更好、更快的選項。收集的信息將有助於更好地瞭解 pyannote.audio 的用戶群體，並幫助其維護者進一步改進它。儘管此模型使用 MIT 許可證並將始終保持開源，但我們偶爾會通過電子郵件向您介紹有關 pyannote 的高級模型和付費服務。

💡 使用建議

在使用模型進行說話人分割時，若要處理完整錄音，建議使用 pyannote/speaker - diarization - 3.0 管道。