Speaker Diarization 3.0

🚀 🎹 說話人分割 3.0

本項目基於 pyannote.audio 開發了說話人分割 3.0 模型。該模型可對音頻進行說話人分割處理，能自動處理多種音頻格式和採樣率，並在多個數據集上進行了基準測試，具有較高的準確性和實用性。

🚀 快速開始

如果你在生產環境中使用這個開源模型，考慮切換到 pyannoteAI 以獲得更好更快的選擇。

✨ 主要特性

• 該管道由 Séverin Baroudi 使用 pyannote.audio 3.0.0 進行訓練，結合了 AISHELL、AliMeeting、AMI、AVA - AVD、DIHARD、Ego4D、MSDWild、REPERE 和 VoxConverse 的訓練集。
• 它接收採樣率為 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聲道求平均值自動下混為單聲道。
  • 採樣率不同的音頻文件在加載時會自動重採樣為 16kHz。

📦 安裝指南

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. 接受 pyannote/speaker-diarization-3.0 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-3.0",
  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

GPU 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 運行：

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

使用一塊 Nvidia Tesla V100 SXM2 GPU（用於神經推理部分）和一塊 Intel Cascade Lake 6248 CPU（用於聚類部分）時，即時因子約為 2.5%。換句話說，處理一小時的對話大約需要 1.5 分鐘。

內存處理

預先將音頻文件加載到內存中可能會加快處理速度：

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

進度監控

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

本管道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（文獻中有時會有這種情況）。
• 無需手動指定說話人數量（儘管可以向管道提供該信息）。
• 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"）：

• 無寬容邊界。
• 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 pyannote 相關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},
}