Speaker Diarization V1

🚀 "Powerset"說話人分割模型

本模型是一個開源的說話人分割模型，它可以對音頻進行處理，輸出說話人分離的結果。如果你在生產環境中使用此模型，建議考慮使用 pyannoteAI 以獲得更好更快的選擇。

🚀 快速開始

模型概述

此模型接收以 16kHz 採樣的 10 秒單聲道音頻，並將說話人分離結果輸出為一個 (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。

安裝要求

1. 使用 pip install pyannote.audio 安裝 pyannote.audio 3.0。
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。

使用示例

基礎用法

# waveform (first row)
duration, sample_rate, num_channels = 10, 16000, 1
waveform = torch.randn(batch_size, num_channels, duration * sample_rate)

# powerset multi-class encoding (second row)
powerset_encoding = model(waveform)

# multi-label encoding (third row)
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)

實例化模型

# instantiate the model
from pyannote.audio import Model
model = Model.from_pretrained(
  "pyannote/segmentation-3.0",
  use_auth_token="HUGGINGFACE_ACCESS_TOKEN_GOES_HERE")

說話人分離

此模型本身不能對完整錄音進行說話人分離（它僅處理 10 秒的音頻塊）。 請參考 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離。

語音活動檢測

from pyannote.audio.pipelines import VoiceActivityDetection
pipeline = VoiceActivityDetection(segmentation=model)
HYPER_PARAMETERS = {
  # 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

重疊語音檢測

from pyannote.audio.pipelines import OverlappedSpeechDetection
pipeline = OverlappedSpeechDetection(segmentation=model)
HYPER_PARAMETERS = {
  # remove overlapped speech regions shorter than that many seconds.
  "min_duration_on": 0.0,
  # fill non-overlapped speech regions shorter than that many seconds.
  "min_duration_off": 0.0
}
pipeline.instantiate(HYPER_PARAMETERS)
osd = pipeline("audio.wav")
# `osd` is a pyannote.core.Annotation instance containing overlapped speech regions

📚 詳細文檔

該模型背後的各種概念在這篇 論文 中有詳細描述。它由 Séverin Baroudi 使用 pyannote.audio 3.0.0 進行訓練，訓練集結合了 AISHELL、AliMeeting、AMI、AVA - AVD、DIHARD、Ego4D、MSDWild、REPERE 和 VoxConverse。

由 Alexis Plaquet 維護的 配套倉庫 還提供瞭如何在你自己的數據上訓練或微調此模型的說明。

📄 許可證

本模型使用 MIT 許可證。

📖 引用

@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},
}