Speaker Diarization Optimized

🚀 🎹說話人分割 3.1

本管道與 pyannote/speaker-diarization-3.0 基本相同，不同之處在於它移除了對 onnxruntime 的有問題的使用。說話人分割和嵌入現在都完全在 PyTorch 中運行，這將簡化部署過程，並可能加快推理速度。該管道需要 pyannote.audio 版本 3.1 或更高版本。

使用此開源管道進行生產？藉助我們的諮詢服務充分發揮其作用。

🚀 快速開始

本管道接收採樣率為 16kHz 的單聲道音頻，並將說話人分割結果輸出為一個 Annotation 實例：

• 立體聲或多聲道音頻文件會通過對各聲道求平均值自動降混為單聲道。
• 採樣率不同的音頻文件在加載時會自動重新採樣為 16kHz。

✨ 主要特性

• 移除了對 onnxruntime 的有問題使用，說話人分割和嵌入都在純 PyTorch 中運行，簡化部署並可能加快推理速度。
• 能自動處理立體聲或多聲道音頻文件，將其降混為單聲道；自動對不同採樣率的音頻文件重新採樣為 16kHz。

📦 安裝指南

1. 使用 pip install pyannote.audio 安裝 pyannote.audio 3.1 版本。
2. 接受 pyannote/segmentation-3.0 的用戶使用條件。
3. 接受 pyannote/speaker-diarization-3.1 的用戶使用條件。
4. 在 hf.co/settings/tokens 創建訪問令牌。

💻 使用示例

基礎用法

# 實例化管道
from pyannote.audio import Pipeline
pipeline = Pipeline.from_pretrained(
  "pyannote/speaker-diarization-3.1",
  use_auth_token="HUGGINGFACE_ACCESS_TOKEN_GOES_HERE")

# 在音頻文件上運行管道
diarization = pipeline("audio.wav")

# 使用 RTTM 格式將說話人分割輸出保存到磁盤
with open("audio.rttm", "w") as rttm:
    diarization.write_rttm(rttm)

高級用法

在 GPU 上處理

pyannote.audio 管道默認在 CPU 上運行，你可以使用以下代碼將其發送到 GPU：

import torch
pipeline.to(torch.device("cuda"))

從內存中處理

預先將音頻文件加載到內存中可能會加快處理速度：

import torchaudio
waveform, sample_rate = torchaudio.load("audio.wav")
diarization = pipeline({"waveform": waveform, "sample_rate": sample_rate})

監控進度

可以使用鉤子來監控管道的進度：

from pyannote.audio.pipelines.utils.hook import ProgressHook
with ProgressHook() as hook:
    diarization = pipeline("audio.wav", hook=hook)

控制說話人數量

如果事先知道說話人的數量，可以使用 num_speakers 選項：

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

也可以使用 min_speakers 和 max_speakers 選項提供說話人數量的下限和/或上限：

diarization = pipeline("audio.wav", min_speakers=2, max_speakers=5)

📚 詳細文檔

基準測試

本管道已在大量數據集上進行了基準測試。處理過程完全自動化：

• 無需手動進行語音活動檢測（文獻中有時會有此操作）。
• 無需手動指定說話人數量（儘管可以向管道提供此信息）。
• 無需對內部模型進行微調，也無需針對每個數據集調整管道的超參數。

... 採用最嚴格的說話人分割錯誤率（DER）設置（在 本文 中稱為 “Full”）：

• 不使用寬容邊界。
• 對重疊語音進行評估。

📄 許可證

本項目採用 MIT 許可證。

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。儘管此管道使用 MIT 許可證，並且將始終保持開源，但我們偶爾會通過電子郵件向你介紹有關 pyannote 的高級管道和付費服務。

📚 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},
}