Pyannote Speaker Diarization Endpoint

🚀 說話人分割

本項目依賴於 pyannote.audio 2.0，安裝說明請參考 安裝指南。

🚀 快速開始

# 從 Huggingface Hub 加載管道
from pyannote.audio import Pipeline
pipeline = Pipeline.from_pretrained("pyannote/speaker-diarization@2022.07")

# 將管道應用於音頻文件
diarization = pipeline("audio.wav")

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

✨ 主要特性

• 支持指定說話人數量進行說話人分割。
• 可設置說話人數量的上下界。
• 可調整管道的超參數以實現不同的分割效果。

💻 使用示例

基礎用法

# 從 Huggingface Hub 加載管道
from pyannote.audio import Pipeline
pipeline = Pipeline.from_pretrained("pyannote/speaker-diarization@2022.07")

# 將管道應用於音頻文件
diarization = pipeline("audio.wav")

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

高級用法

指定說話人數量

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)

指定說話人數量的上下界

也可以使用 min_speakers 和 max_speakers 選項提供說話人數量的下界和/或上界：

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

調整管道超參數

如果想嘗試不同的效果，可以調整管道的各種超參數。例如，可以通過增加 segmentation_onset 閾值的值來使用更激進的語音活動檢測：

hparams = pipeline.parameters(instantiated=True)
hparams["segmentation_onset"] += 0.1
pipeline.instantiate(hparams)

📚 詳細文檔

基準測試

即時因子

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 5%。

換句話說，處理一小時的對話大約需要 3 分鐘。

準確性

該管道在不斷增加的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（文獻中有時會這樣做）
• 無需手動指定說話人數量（儘管可以將其提供給管道）
• 無需對內部模型進行微調，也無需為每個數據集調整管道超參數

... 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
• 評估重疊語音

支持與反饋

• 商業諮詢和科學諮詢：請通過 郵箱 聯繫。
• 技術問題和錯誤報告：請查看 pyannote.audio 的 Github 倉庫，在 討論區 提出技術問題，在 問題區 報告錯誤。

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},
}

📄 許可證

本項目採用 MIT 許可證。