Pyannote Segmentation

🚀 "Powerset" 說話人分割模型

本項目是一個開源的說話人分割模型，它能夠對音頻進行處理，輸出說話人分離的結果。該模型以16kHz採樣的10秒單聲道音頻為輸入，輸出說話人分離矩陣，為音頻處理和分析提供了強大的支持。

🚀 快速開始

如果你在生產環境中使用這個開源模型，建議考慮切換到 pyannoteAI，以獲取更好、更快的選擇。

✨ 主要特性

此模型接收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。

📦 安裝指南

1. 使用 pip install pyannote.audio 安裝版本為 3.0 的 pyannote.audio。
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)

高級用法

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）。 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對完整錄音進行說話人分離。

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類模型的說明。

📄 許可證

本項目採用 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},
}